【Python】批量获取多个docx文档中特定段落源码

BIGOcean

介绍

用　　于 ：提取多个包含某一关键词的docx文档。例如：有100个docx文档中，需要你提取这100个docx文档中所有包含“本院认为”的段落

实现效果 ：运行脚本，等待提取符合要求的段落后，脚本自动将符合要求的段落保存在同目录下的一个新建txt文件内

脚本需求 ：需要安装docx模块，相关安装代码：pip install docx

源码

import docx
import re
import os

def getpara(path):
    try :
        docx_temp = docx.Document(path)
    except :
        print("打不开呀")
        return False
    try :
        docx_para = docx_temp.paragraphs
        print("成功读取:",path)
        return docx_para
    except :
        print("can't get the ",path," paragraphs")
        return False

def findpara(paras, str="本院认为"):
    try:
        para_list = ["赋值待删"]
        pattern = re.compile(str)
        for para in paras:
            match1 = pattern.search(para.text)
            if match1:
                para_list.append(para.text)

        para_list.pop(0)
        return para_list
    except:
        return False

def list2txt(list,name="汇总输出") :
    if len(list) :
     try :
        fp = open("汇总输出.txt","a")
        for cloe in list :
            fp.write(cloe)
            fp.write("\n")
     except :
        return False
     finally:
        fp.close()

def set_wd(wd='0') :
    if wd == 'C:/Users/Administrator/Desktop/基层法院' :
        try :
            os.chdir(wd)
            File_List = os.listdir(wd)
            return File_List
        except :
            print("目录有问题")
            return False
    else :
        try :
            wd = os.getcwd()
            os.chdir(wd)
            print("使用当前路径名")
            File_List = os.listdir(wd)
            return File_List
        except :
            print("Error")
            return False

wd='C:/Users/Administrator/Desktop/基层法院'
File_list=set_wd(wd='C:/Users/Administrator/Desktop/基层法院')
for i in File_list:
    paths = 'C:/Users/Administrator/Desktop/基层法院/'+i
    docx_para=getpara(paths)
    para_list=findpara(docx_para, i, str="本院认为")
    list2txt(para_list, name="汇总输出")

思路(从调用函数上一步一步讲：)

分析wd='C:/Users/Administrator/Desktop/基层法院'

首先给wd赋一个地址值，也就是你100个文档所在的目录（注意地址分隔符用'/'而不要用'\'，原因是后者为转义符。会和地址中的字母符号组合转义导致报错）  

分析 File_list=set_wd(wd='C:/Users/Administrator/Desktop/基层法院')

观察调用语句：首先调用了set_wd函数，判断如果wd和默认地址相同就调用os模块的chdir函数以获取目录下所有文件的名称（包含后缀）并在内存中组建一个file list列表。最后返回一个file list的值赋值给File_list。

分析 for i in File_list

Python的循环为for in循环，我理解为遍历。从file list内逐行赋值给i

分析 paths = 'C:/Users/Administrator/Desktop/基层法院/'+i

给paths逐个赋“基层法院”文件夹内所有文件的具体地址值，（比如:C:/Users/Administrator/Desktop/基层法院/张三防卫过当案审判书.docx）

分析 docx_para=getpara(paths)

接下来调用getpara函数，将上面paths获取docx文件具体地址值之后，作为实参带入到getpara函数内。这里做一个try语句的目的是避免文件夹内非docx文件被读取而报错。然后调用docx模块的document函数以读取当前文档的段落，如果读取成功就把段落返回给docx_para函数。不成功的话，可能是文档有密码或者文档被损坏，或者就是所读取的文档是doc格式而不是docx，这就需要格式转换一下了。

分析 para_list=findpara(docx_para,str="本院认为")

这里调用了有2个形参的findpara函数，2个实参分别为①文档所有段落②段落关键词str="本院认为"
findpara函数首先给paralist随便赋一个值，然后就开始对所有获取的段落进行搜寻，找到包含str关键词的段落后，就用append追加到段落列表para_list里。然后用pop(0)把最开始任意赋的值给删除掉。然后将包含关键词的段落返回给para_list。

分析 list2txt(para_list, name="汇总输出")

最后就理所应当的是把所有关键段落保存在一个新建的txt文档里，open函数新建或者打开"汇总输出.txt"，然后打开方式为"a"，也就是追加的意思。然后就是一系列写入、换行、然后finally关闭文件的操作。

好了，分析就这样结束了。本人接触Python的次数不多。所以写这些也是照着大一上半年的c语言函数写的。目的是为了稍微稍微稍微的接触一下Python的一小些常用语句。欢迎大佬帮萌新斧正代码，或者补充一些小技巧小知识。

qhczdy

谢谢分享

BIGOcean

当你遇到一个问题可以用正则表达式解决时，你就有了两个问题。

kenjsyg

谢谢楼主分享

hj170520

谢谢分享

mikeee

感谢分享