目前我的文件夹中有500多份简历,如果我想知道一些信息,比如学校,学历之类的,我需要打开每一份word去查看,太耗时间了。这个时候python需要出马了。
目标
目前类似截图中的word有600+,想简单的进行整理:
可以整理出一份excel用于导航(类似目录),可以通过excel来快速定位到所要的附件,如下图效果:
具体实现
有了目标,就具体说说如何实现的,整理思路还是比较简单的,就是遍历所有的word文件,将word中关键的信息获取到并保存到excel中。
这里列下主要用到的模块:
1
2
3
4
5
6
|
import xlsxwriter
import subprocess
import os
import docx
import sys
import re
|
xlsxwriter主要用来操作excel,xlsxwriter只能用来写,效率上比xlwt要高,数据量不多,用xlwt也ok。
subprocess主要用来调用命令行,因为docx模块无法解析doc的word文件,所以在解析前将doc的文件转换成docx文件。
os主要用于遍历文件夹获取文件。
docx主要用来解析word文档。
规范下文件名
首先我们先规范下文件名称,因为在使用subprocess.call调用命令时,空格,特殊符号之类的没办法转义导致报错,所以干脆在之前就清理掉这个潜在问题。
1
2
3
4
|
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))
|
遍历文件
之后我们就可以开始正题,遍历每个文件进行解析:
1
2
3
|
path = '/users/cavin/desktop/files'
for filename in os.listdir(path):
...具体逻辑...
|
这里碰到一个问题,首先是docx模块无法解析doc的word文档,由于又是使用的mac,所以也无法使用win32com模块,这个问题就比较尴尬,后来google发现可以通过命令将doc转换成docx。
这里注意下转换后的docx文件样式是丢失的,但这不影响我获取文本信息。
于是就有了这段代码,如果是doc的文件,优先转换成docx,待解析完之后再移除掉。
1
2
3
4
5
|
if filename.endswith( '.doc' ):
subprocess.call( 'textutil -convert docx {0}' . format (fullname),shell = true)
fullname = fullname[: - 4 ] + ".docx"
sheetmodel = etl_word_files(fullname) #解析文本逻辑
subprocess.call( 'rm {0}' . format (fullname),shell = true) #移除转换的文件
|
解析word文件
接下来就是解析文件了,通过docx模块很容易实现,具体的解析逻辑就不贴了,就是遍历每一行,根据一些关键字,符号来截取数据(每个简历格式基本上差不多的)
1
2
3
4
|
doc = docx.document(fullname)
for para in doc.paragraphs:
print (para.text)
...具体解析逻辑...
|
填充excel
解析完的数据就可以直接填充excel了:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
workbook = xlsxwriter.workbook( 'report_list.xlsx' )
worksheet = workbook.add_worksheet( 'list' )
worksheet.write( 0 , 0 , '序号' )
worksheet.write( 0 , 1 , '姓名' )
worksheet.write( 0 , 2 , '性别' )
worksheet.write( 0 , 3 , '年龄' )
worksheet.write( 0 , 4 , '籍贯' )
worksheet.write( 0 , 5 , '目前所在地' )
worksheet.write( 0 , 6 , '学历' )
worksheet.write( 0 , 7 , '学校' )
worksheet.write( 0 , 8 , '公司' )
worksheet.write( 0 , 9 , '职位' )
worksheet.write( 0 , 10 , '文档链接' )
|
这里主要说下文档链接的填充,由于是要给其他人的,只要保证附件和excel在同一个文件夹下,采用相对路径的方式来实现,可以使用excel的函数hyperlink:
1
|
worksheet.write(index, 10 , '=hyperlink(\"./' + filename + '\",\"附件\")' )
|
问题点
到这里,基本上可以实现相应的功能了,但不是很完美,主要是word中的格式不标准,没有很好的方式去准确获取到我要的数据,但主要的姓名学校之类的大多数都抓到了,也算减轻点任务啦。
总结
利用python还是减少了一定的重复劳动,但面对一些不标准的东东貌似还没有很好的方式。
虽然可以增加逻辑来兼容这些不标准,但显然这个付出和产出就有点不成正比了。
利用好手上的工具去提高效率才是真的,至于是傻瓜式的重复工作,还是通过代码来减少重复劳动,就看你自己怎么看啦。
原文链接:https://segmentfault.com/a/1190000014807266