Python 自动化之处理docx文件（一）

批量筛选docx文档中关键词

---

---

前言

在工作中经常会遇到，需要检查文档千万不能出现某个关键词，一个文档那还好说。但如果有成千上百个需要检查呢？
下面来给大家介绍一个批量检查的教程。

---

一、做成什么样子

1. 支持当前目录下所有docx文档内容的检查。
2. 支持当前目录下的子目录里面所有的docx文档内容的检查。
3. 当前目录出现的问题会在当前目录生成日志文件记录下来。
4. 日志格式为：<<文件绝对路径>> 文档中出现了关键词：《关键词》。
5. 支持批量输入关键词，所有关键词都会进行逐一对比。

下面给大家展示一下效果图。

二、基本架构

主要包括以下几部分：

1. 库输入模块
2. 路径输入模块
3. 关键词输入模块
4. 数据处理模块

---

三、前期输入模块

库、路径、关键词比较简单。我就把它们全部写到这一节。

1.引入库

代码如下：

import docx
import os
import re

docx：用来读取文档内容的。
os：用来搞定一系列路径问题。
re：正则表达式模块，用来给关键词搞精确匹配的。

---

2.路径输入

代码如下：

print(r'请输入文档完整路径（例子：E:\vtest）：', end='')
file_path = input()# 获取目录下的所有条目
entries = os.listdir(file_path)
print(entries)

输入路径后，程序会先获取一下当前路径下的东西，形成一个列表并打印出来。

---

3.关键词输入

代码如下：

# 获取关键词列表
Prohibited_lists = []
while True:print('请输入要查询的关键字（例子：奥利给），按q退出输入：', end='')Prohibited_words = input()if Prohibited_words == 'q':breakProhibited_lists.append(Prohibited_words)print("退出循环，禁止词汇列表：", Prohibited_lists)

首先，创建一个空列表，用来存储用户输入的关键词。
其次，一个while循环，用来保持用户可以一直输入关键词。
然后，关键词触发，当用户输入q可以退出输入关键程序。
最后，打印一条信息，告诉用户都有哪些关键词会进行匹配。

---

三、数据处理模块

这里我先写一下处理逻辑。

1.基本架构

代码如下：

for entry in entries:if entry.endswith('.docx'):    # 如果是docx文档...........       elif os.path.isdir(os.path.join(file_path, entry)):    # 如果目录里的东西还是个目录...........

首先，搞个循环结构，遍历一下用户输入的路径下的东西。
其次，对这些东西进行判断，进行两中不同的操作。
下面我将会按照这个结构顺序来写。

---

2.如果是docx文档

2.1.读取当前文档内容

代码如下：

for entry in entries:if entry.endswith('.docx'):    # 如果是docx文档# 使用os.path.join()构造完整文件路径full_entry_path = os.path.join(file_path, entry)# 使用 python-docx 打开文档doc = docx.Document(full_entry_path)# 将每一个段落的文本合并为一个字符串text = " ".join([para.text for para in doc.paragraphs])

首先，根据当前遍历的文件和用户输入的路径来共同构成完整文件路径。
其次，根据完整文件路径，读取文件内容。
最后，将每一个段落的文本合并为一个字符串，便于后面的关键字匹配。

---

2.2.遍历匹配关键字

代码如下：

        # 遍历关键字列表for Prohibited_list in Prohibited_lists:# 正则表达式匹配关键字ProhibitedRegex = re.compile(rf'.*{Prohibited_list}+.*')mo = ProhibitedRegex.search(text)

这里我们用的是正则表达式匹配关键字。看不懂的同学要去看下正则表达式的知识点喽。

ProhibitedRegex = re.compile(rf’.{Prohibited_list}+.') 这行代码创建了一个正则表达式对象，用于查找包含在 Prohibited_list 关键词。

mo = ProhibitedRegex.search(text) 这行代码使用了上面创建的正则表达式对象来搜索 text 中是否存在匹配的禁止词汇。如果找到匹配项，则返回一个匹配对象（MatchObject），否则返回 None。

---

2.3.触发匹配并记录日志

代码如下：

            # 如果匹配到了关键字if mo is not None:# 使用os.path.join()构造完整文件路径full_text_path = os.path.join(file_path, 'problems.txt')# 将问题写入text文档，并保存到当前目录with open(full_text_path, 'a') as f:f.write(f'<<{full_entry_path}>> 文档中出现了关键词：{Prohibited_list}\n')# 如果没有匹配到关键字else:print(f'<<{full_entry_path}>> 文档没有出现关键词：{Prohibited_list}。')

一目了然，共分成两部分：一是匹配到了关键字；二是没有匹配到关键字。

匹配到了：第一步先构建日志文件的路径；第二步将问题写入到text文档，并保存到当前目录（如果当前目录没有该文件，会自动创建。）

没匹配到：就简单提示一下啦。

---

3.如果目录下还有一个目录

3.1.判断并生成新目录

代码如下：

    # 判断目录下是否还有目录elif os.path.isdir(os.path.join(file_path, entry)):# 使用字符串拼接一下路径，生成新路径（给子目录下的文档使用）file_path = file_path + '\\' + entry      

一般我们保存文件不会一股脑的都保存到一个目录中。最起码目录中再搞一个子目录分一下类。
这个代码就是处理这个问题的。

---

3.2.获取子目录里的东西并遍历它

代码如下：

        # 获取目录下的所有条目entries = os.listdir(file_path)print(entries)# 遍历当前所有条目for entry_1 in entries:

接下来就是获取一下子录下的所有东西啦。
然后再搞一个遍历结构，一个一个的处理它们。

---

3.3.接着判断如果是docx文档

代码如下：

            if entry_1.endswith('.docx'):# 使用os.path.join()构造完整文件路径full_entry_path = os.path.join(file_path, entry_1)# 使用 python-docx 打开文档doc = docx.Document(full_entry_path)# 将每一个段落的文本合并为一个字符串text = " ".join([para.text for para in doc.paragraphs])

请参考 《2.1.读取当前文档内容》

---

3.4.遍历匹配关键字

代码如下：

                # 正则表达式匹配关键字for Prohibited_list in Prohibited_lists:ProhibitedRegex = re.compile(rf'.*{Prohibited_list}+.*')mo = ProhibitedRegex.search(text)

请参考 《2.2.遍历匹配关键字》

---

3.5.触发匹配并记录日志

代码如下：

                    if mo is not None:# 使用os.path.join()构造完整文件路径full_text_path = os.path.join(file_path, 'problems.txt')# 将问题写入text文档，并保存到当前目录with open(full_text_path, 'a') as f:f.write(f'<<{full_entry_path}>> 文档中出现了关键词：{Prohibited_list}\n')else:print(f'<<{full_entry_path}>> 文档没有出现关键词：{Prohibited_list}。')

请参考 《2.3.触发匹配并记录日志》

---

总结

以上的代码，包括我之前写的所有代码，都是在Python 3.11版本下写的，其它版本下运行可能会有问题。并且以上代码可以直接按顺序复制粘贴就可以使用，不用再调格式（可以发现越往后代码前面的空格越多，这个就是格式）。用起来有问题可以私信或者评论给我哦。