利用Python好好的整理你的附件

目前個人文件夾中有500多份簡歷，若是我想知道一些信息，好比學校，學歷之類的，我須要打開每一份word去查看，太耗時間了。這個時候python須要出馬了。

目標

目前相似截圖中的word有600+，想簡單的進行整理：

能夠整理出一份excel用於導航（相似目錄），能夠經過excel來快速定位到所要的附件，以下圖效果：

具體實現

有了目標，就具體說說如何實現的，整理思路仍是比較簡單的，就是遍歷全部的word文件，將word中關鍵的信息獲取到並保存到excel中。

這裏列下主要用到的模塊：

import xlsxwriter
import subprocess
import os
import docx
import sys
import re

xlsxwriter主要用來操做excel，xlsxwriter只能用來寫，效率上比xlwt要高，數據量很少，用xlwt也ok。

subprocess主要用來調用命令行，由於docx模塊沒法解析doc的word文件，因此在解析前將doc的文件轉換成docx文件。

os主要用於遍歷文件夾獲取文件。

docx主要用來解析word文檔。

規範下文件名

首先咱們先規範下文件名稱，由於在使用subprocess.call調用命令時，空格，特殊符號之類的沒辦法轉義致使報錯，因此乾脆在以前就清理掉這個潛在問題。

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

以後咱們就能夠開始正題，遍歷每一個文件進行解析：

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

這裏碰到一個問題，首先是docx模塊沒法解析doc的word文檔，因爲又是使用的mac，因此也沒法使用win32com模塊，這個問題就比較尷尬，後來google發現能夠經過命令將doc轉換成docx。

這裏注意下轉換後的docx文件樣式是丟失的，但這不影響我獲取文本信息。

因而就有了這段代碼，若是是doc的文件，優先轉換成docx，待解析完以後再移除掉。

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) #移除轉換的文件

解析word文件

接下來就是解析文件了，經過docx模塊很容易實現,具體的解析邏輯就不貼了，就是遍歷每一行，根據一些關鍵字，符號來截取數據（每一個簡歷格式基本上差很少的）

doc = docx.Document(fullname)
for para in doc.paragraphs:
    print(para.text)
    ...具體解析邏輯...

填充excel

解析完的數據就能夠直接填充excel了:

workbook = xlsxwriter.Workbook('report_list.xlsx')
worksheet = workbook.add_worksheet('list')
worksheet.write(0,0, '序號') 
worksheet.write(0,1, '姓名') 
worksheet.write(0,2, '性別') 
worksheet.write(0,3, '年齡') 
worksheet.write(0,4, '籍貫') 
worksheet.write(0,5, '目前所在地') 
worksheet.write(0,6, '學歷')
worksheet.write(0,7, '學校')
worksheet.write(0,8, '公司')
worksheet.write(0,9, '職位')
worksheet.write(0,10, '文檔連接')

這裏主要說下文檔連接的填充，因爲是要給其餘人的，只要保證附件和excel在同一個文件夾下，採用相對路徑的方式來實現，可使用Excel的函數HYPERLINK:

worksheet.write(index,10, '=HYPERLINK(\"./'+filename+'\",\"附件\")')

問題點

到這裏，基本上能夠實現相應的功能了，但不是很完美，主要是word中的格式不標準，沒有很好的方式去準確獲取到我要的數據，但主要的姓名學校之類的大多數都抓到了，也算減輕點任務啦。

總結

利用python仍是減小了必定的重複勞動，但面對一些不標準的東東貌似尚未很好的方式。

雖然能夠增長邏輯來兼容這些不標準，但顯然這個付出和產出就有點不成正比了。

利用好手上的工具去提升效率纔是真的，至因而傻瓜式的重複工做，仍是經過代碼來減小重複勞動，就看你本身怎麼看啦。