我每天都会收到一封带有 Word 文档的电子邮件。文档中的所有文本都存在于文档的表格中。我有数百个这样的Word文档(我每天都会收到一个)。我想使用python打开每个文档，复制我需要的文本，并将其粘贴到excel文档中。然而，我陷入了第一部分。我无法从word文档中提取文本。我正在尝试使用 python-docx 模块来提取文本，但我不知道如何从表中读取文本。
我修改了我正在阅读的Python入门书中的一个getText模块，但它似乎不起作用。我是否走在正确的轨道上？
import docx
fullText = []
def getText(filename):
doc = docx.Document(filename)
for table in doc.Tables:
for row in table.Rows:
for cell in row.Cells:
fullText.append(cell.text)
return '\n'.join(fullText)
好的，看完this other question我意识到我实际上遇到了与我想象的不同的问题。我已进行更改并具有以下代码:
import docx
fullText = []
doc = docx.Document('c:\\btest\\January18.docx')
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
fullText.append(cell.text)
'\n'.join(fullText)
print(fullText)
它正在打印:
['', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '', '']
问题是，Word 文档中的表格不是空白单元格，因此它们不应该返回空白。我做错了什么？
A sample input document is here
我正在尝试从该文档中提取某些文本行，并按照我想要的方式粘贴和格式化文本。但是，我什至无法访问word文档中的文本...
最佳答案
我能够解析sample doc并使用以下脚本将其保存到 Excel 文件:
import re
import pandas
import docx2txt
INPUT_FILE = 'jantest2.docx'
OUTPUT_FILE = 'jantest2.xlsx'
text = docx2txt.process(INPUT_FILE)
results = re.findall(r'(\d+-\d+)\n\n(.*)\n\n(.*)\n\n(.*)', text)
data = {'Case Number': [x[0] for x in results],
'Report Date': [x[1] for x in results],
'Address': [x[2] for x in results],
'Statute Descripiton': [x[3] for x in results]}
data_frame = pandas.DataFrame(data=data)
writer = pandas.ExcelWriter(OUTPUT_FILE)
data_frame.to_excel(writer, 'Sheet1', index=False)
writer.save()
这是我在 Excel 文件中得到的内容:
关于python - Word 表格中的文本，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/53926320/