如何从python文件中提取信息？

百变鹏仔 3小时前 #Python

文章标签文件

单位收集了很多word格式的调查表，领导需要收集表单里的信息，我就把所有调查表放一个文件里，写了个python小程序把所需的信息打印出来，这个小程序就能从python文本中分析信息并提取信息

#coding:utf-8 import osimport win32comfrom win32com.client import Dispatch, constantsfrom docx import Document def parse_doc(f):  """读取doc，返回姓名和行业  """  doc = w.Documents.Open( FileName = f )  t = doc.Tables[0] # 根据文件中的图表选择信息  name = t.Rows[0].Cells[1].Range.Text    situation = t.Rows[0].Cells[5].Range.Text  people = t.Rows[1].Cells[1].Range.Text  title = t.Rows[1].Cells[3].Range.Text    print name, situation, people,title  doc.Close() def parse_docx(f):  """读取docx，返回姓名和行业  """  d = Document(f)  t = d.tables[0]  name = t.cell(0,1).text  situation = t.cell(0,8).text  people = t.cell(1,2).text  title = t.cell(1,8).text  print name, situation, people,title  if __name__ == "__main__":     w = win32com.client.Dispatch('Word.Application')     # 遍历文件  PATH = "H:work\aaa" # windows文件路径  doc_files = os.listdir(PATH)  for doc in doc_files:    if os.path.splitext(doc)[1] == '.docx':      try:        parse_docx(PATH+'\'+doc)      except Exception as e:        print e    elif os.path.splitext(doc)[1] == '.doc':      try:        parse_doc(PATH+'\'+doc)      except Exception as e:        print e

下载安装win32com

from win32com import client as wc word = wc.Dispatch('Word.Application') doc = word.Documents.Open('c:/test') doc.SaveAs('c:/test.text', 2) doc.Close() word.Quit()

这种方式产生的text文档，不能用python用普通的r方式读取，为了让python可以用r方式读取，应当写成
doc.SaveAs('c:/test', 4)
注意：系统执行完成后，会自动产生文件后缀txt（虽然没有指明后缀）。
在xp系统下面，应当，

open(r'c:	ext','r')wdFormatDocument = 0 wdFormatDocument97 = 0 wdFormatDocumentDefault = 16 wdFormatDOSText = 4 wdFormatDOSTextLineBreaks = 5 wdFormatEncodedText = 7 wdFormatFilteredHTML = 10 wdFormatFlatXML = 19 wdFormatFlatXMLMacroEnabled = 20 wdFormatFlatXMLTemplate = 21 wdFormatFlatXMLTemplateMacroEnabled = 22 wdFormatHTML = 8 wdFormatPDF = 17 wdFormatRTF = 6 wdFormatTemplate = 1  wdFormatTemplate97 = 1 wdFormatText = 2 wdFormatTextLineBreaks = 3 wdFormatUnicodeText = 7  wdFormatWebArchive = 9 wdFormatXML = 11  wdFormatXMLDocument = 12 wdFormatXMLDocumentMacroEnabled = 13 wdFormatXMLTemplate = 14  wdFormatXMLTemplateMacroEnabled = 15 wdFormatXPS = 18

照着字面意思应该能对应到相应的文件格式，如果你是office 2003可能支持不了这么多格式。word文件转html有两种格式可选wdFormatHTML、wdFormatFilteredHTML（对应数字 8、10），区别是如果是wdFormatHTML格式的话，word文件里面的公式等ole对象将会存储成wmf格式，而选用 wdFormatFilteredHTML的话公式图片将存储为gif格式，而且目测可以看出用wdFormatFilteredHTML生成的HTML 明显比wdFormatHTML要干净许多。

文章推荐

如何从python文件中提取信息？

Python代码缩进和测试模块示例详解

利用python的socket发送http(s)请求方法

Python采集代理ip并判断是否可用和定时更新的方法

Python爬虫抓取代理IP并检验可用性的实例

十分钟利用Python制作属于你自己的个性logo