目前我的文件夾中有500多份簡(jiǎn)歷，如果我想知道一些信息，比如學(xué)校，學(xué)歷之類的，我需要打開每一份word去查看，太耗時(shí)間了。這個(gè)時(shí)候python需要出馬了。

目標(biāo)

目前類似截圖中的word有600+，想簡(jiǎn)單的進(jìn)行整理：

可以整理出一份excel用于導(dǎo)航（類似目錄），可以通過excel來快速定位到所要的附件，如下圖效果：

具體實(shí)現(xiàn)

有了目標(biāo)，就具體說說如何實(shí)現(xiàn)的，整理思路還是比較簡(jiǎn)單的，就是遍歷所有的word文件，將word中關(guān)鍵的信息獲取到并保存到excel中。

這里列下主要用到的模塊：

import xlsxwriterimport subprocessimport osimport docximport sysimport re

xlsxwriter主要用來操作excel，xlsxwriter只能用來寫，效率上比xlwt要高，數(shù)據(jù)量不多，用xlwt也ok。

subprocess主要用來調(diào)用命令行，因?yàn)閐ocx模塊無法解析doc的word文件，所以在解析前將doc的文件轉(zhuǎn)換成docx文件。

os主要用于遍歷文件夾獲取文件。

docx主要用來解析word文檔。

規(guī)范下文件名

首先我們先規(guī)范下文件名稱，因?yàn)樵谑褂胹ubprocess.call調(diào)用命令時(shí)，空格，特殊符號(hào)之類的沒辦法轉(zhuǎn)義導(dǎo)致報(bào)錯(cuò)，所以干脆在之前就清理掉這個(gè)潛在問題。

def remove_doc_special_tag():  for filename in os.listdir(path):    otherName = re.sub("[/s+/!//_,$%^*(+/"/')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+", "",filename)     os.rename(os.path.join(path,filename),os.path.join(path,otherName))

遍歷文件

之后我們就可以開始正題，遍歷每個(gè)文件進(jìn)行解析：

path='/Users/cavin/Desktop/files'for filename in os.listdir(path):  ...具體邏輯...

這里碰到一個(gè)問題，首先是docx模塊無法解析doc的word文檔，由于又是使用的mac，所以也無法使用win32com模塊，這個(gè)問題就比較尷尬，后來google發(fā)現(xiàn)可以通過命令將doc轉(zhuǎn)換成docx。

這里注意下轉(zhuǎn)換后的docx文件樣式是丟失的，但這不影響我獲取文本信息。

于是就有了這段代碼，如果是doc的文件，優(yōu)先轉(zhuǎn)換成docx，待解析完之后再移除掉。

if filename.endswith('.doc'):  subprocess.call('textutil -convert docx {0}'.format(fullname),shell=True)  fullname=fullname[:-4]+".docx"  sheetModel= etl_word_files(fullname)#解析文本邏輯  subprocess.call('rm {0}'.format(fullname),shell=True) #移除轉(zhuǎn)換的文件

解析word文件

接下來就是解析文件了，通過docx模塊很容易實(shí)現(xiàn),具體的解析邏輯就不貼了，就是遍歷每一行，根據(jù)一些關(guān)鍵字，符號(hào)來截取數(shù)據(jù)（每個(gè)簡(jiǎn)歷格式基本上差不多的）