如何从 python 中的 word 文档中提取文本？（并将数据放入 df）

Question

我有一大堆文件夹和文件（.docx 文档）。所以，我想做的是创建一个包含四列的 df，其中包含这些文件夹和文件的名称，而且我还想提取 word 文档中的两个值。然后 df 应该有 4 列：文件夹、文件、值和日期。

我已经设法将文件夹的名称和 docx 文件放在 df 中，如以下代码所示。

# imports
import os
import pandas as pd

path = ''

data = []
for folder in sorted(os.listdir(path)):
    if folder.startswith('HH'):
        for file in sorted(os.listdir(path + '/' + folder)):
            if file.endswith('.docx'):
                data.append((folder, file))

df = pd.DataFrame(data, columns=['Folder', 'File_name'])
df

但是，我找不到从 .docx 文件中获取所需值的方法。我首先尝试像这样单独进行：

# Import the module
import docx2txt

path2 = ''
# Open the .docx file
document = docx2txt.process(path2)

document

我得到了这个结果： 'Property Nr: \tTEST\n\nProperty Comments\t\t\t\n\n\t\t \n\n\n\n\n\n\n\n\n\nReinstatement value \t\n\nEuro __ 191,250.00 excl VAT\n\n\t\t\n\nReinstatement value \t\n\nEuro __ 191,250.00 excl VAT\n\n\t\t\n\n\n\n\n\n\n\n\n\nSigned:\n\n________________________________\n\nPerit TEST\n\nDate: 24th June 2021\n\n\n\nSigned:\n\n________________________________\n\nTEST\n\nDate: 24th June 2021'

我要的两个值是：

Euro __ 191,250.00中的数字
日期：24th June 2021

如果您能至少帮助我获取这些值，我将不胜感激。谢谢

Answer 1

您可以使用 re.search().
如果您的文档是 str 类型，请尝试以下代码。

import re

value_match = re.search('Euro __ (.*)excl', document)
value = value_match.group(1).strip()

date_match = re.search('Date:(.*)', document)
date = date_match.group(1).strip()

print(f"Value: {value}, Date: {date}")

输出：

Value: 191,250.00, Date: 24th June 2021

如何从 python 中的 word 文档中提取文本？（并将数据放入 df）

How to extract text from a word document in python? (and put the data in df)

python

dataframe

ms-word

如何从 python 中的 word 文档中提取文本？ （并将数据放入 df）

How to extract text from a word document in python? (and put the data in df)

python

dataframe

ms-word

如何从 python 中的 word 文档中提取文本？（并将数据放入 df）