資訊專欄INFORMATION COLUMN
摘要：主要用來調(diào)用命令行，因?yàn)槟K無法解析的文件，所以在解析前將的文件轉(zhuǎn)換成文件。主要用于遍歷文件夾獲取文件?？偨Y(jié)利用還是減少了一定的重復(fù)勞動(dòng)，但面對(duì)一些不標(biāo)準(zhǔn)的東東貌似還沒有很好的方式。
目前我的文件夾中有500多份簡歷，如果我想知道一些信息，比如學(xué)校，學(xué)歷之類的，我需要打開每一份word去查看，太耗時(shí)間了。這個(gè)時(shí)候python需要出馬了。目標(biāo)
目前類似截圖中的word有600+，想簡單的進(jìn)行整理：
可以整理出一份excel用于導(dǎo)航（類似目錄），可以通過excel來快速定位到所要的附件，如下圖效果：
具體實(shí)現(xiàn)有了目標(biāo)，就具體說說如何實(shí)現(xiàn)的，整理思路還是比較簡單的，就是遍歷所有的word文件，將word中關(guān)鍵的信息獲取到并保存到excel中。
這里列下主要用到的模塊：
import xlsxwriter import subprocess import os import docx import sys import re
xlsxwriter主要用來操作excel，xlsxwriter只能用來寫，效率上比xlwt要高，數(shù)據(jù)量不多，用xlwt也ok。
subprocess主要用來調(diào)用命令行，因?yàn)?b>docx模塊無法解析doc的word文件，所以在解析前將doc的文件轉(zhuǎn)換成docx文件。
os主要用于遍歷文件夾獲取文件。
docx主要用來解析word文檔。
規(guī)范下文件名首先我們先規(guī)范下文件名稱，因?yàn)樵谑褂?b>subprocess.call調(diào)用命令時(shí)，空格，特殊符號(hào)之類的沒辦法轉(zhuǎn)義導(dǎo)致報(bào)錯(cuò)，所以干脆在之前就清理掉這個(gè)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
之后我們就可以開始正題，遍歷每個(gè)文件進(jìn)行解析：
path="/Users/cavin/Desktop/files"
for filename in os.listdir(path):
...具體邏輯...
這里碰到一個(gè)問題，首先是docx模塊無法解析doc的word文檔，由于又是使用的mac，所以也無法使用win32com模塊，這個(gè)問題就比較尷尬，后來google發(fā)現(xiàn)可以通過命令將doc轉(zhuǎn)換成docx。
這里注意下轉(zhuǎn)換后的docx文件樣式是丟失的，但這不影響我獲取文本信息。
于是就有了這段代碼，如果是doc的文件，優(yōu)先轉(zhuǎn)換成docx，待解析完之后再移除掉。
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(zhuǎn)換的文件
解析word文件
接下來就是解析文件了，通過docx模塊很容易實(shí)現(xiàn),具體的解析邏輯就不貼了，就是遍歷每一行，根據(jù)一些關(guān)鍵字，符號(hào)來截取數(shù)據(jù)（每個(gè)簡歷格式基本上差不多的）
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(shù)據(jù)就可以直接填充excel了:
workbook = xlsxwriter.Workbook("report_list.xlsx")
worksheet = workbook.add_worksheet("list")
worksheet.write(0,0, "序號(hào)")
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(xué)歷")
worksheet.write(0,7, "學(xué)校")
worksheet.write(0,8, "公司")
worksheet.write(0,9, "職位")
worksheet.write(0,10, "文檔鏈接")
這里主要說下文檔鏈接的填充，由于是要給其他人的，只要保證附件和excel在同一個(gè)文件夾下，采用相對(duì)路徑的方式來實(shí)現(xiàn)，可以使用Excel的函數(shù)HYPERLINK:
worksheet.write(index,10, "=HYPERLINK("./"+filename+"","附件")")
問題點(diǎn)
到這里，基本上可以實(shí)現(xiàn)相應(yīng)的功能了，但不是很完美，主要是word中的格式不標(biāo)準(zhǔn)，沒有很好的方式去準(zhǔn)確獲取到我要的數(shù)據(jù)，但主要的姓名學(xué)校之類的大多數(shù)都抓到了，也算減輕點(diǎn)任務(wù)啦。
總結(jié)利用python還是減少了一定的重復(fù)勞動(dòng)，但面對(duì)一些不標(biāo)準(zhǔn)的東東貌似還沒有很好的方式。
雖然可以增加邏輯來兼容這些不標(biāo)準(zhǔn)，但顯然這個(gè)付出和產(chǎn)出就有點(diǎn)不成正比了。
利用好手上的工具去提高效率才是真的，至于是傻瓜式的重復(fù)工作，還是通過代碼來減少重復(fù)勞動(dòng)，就看你自己怎么看啦。
文章版權(quán)歸作者所有，未經(jīng)允許請(qǐng)勿轉(zhuǎn)載,若此文章存在違規(guī)行為，您可以聯(lián)系管理員刪除。
轉(zhuǎn)載請(qǐng)注明本文地址：http://systransis.cn/yun/41707.html
摘要：自動(dòng)發(fā)送郵件我們把報(bào)表做出來以后一般都是需要發(fā)給別人查看，對(duì)于一些每天需要發(fā)的報(bào)表或者是需要一次發(fā)送多份的報(bào)表，這個(gè)時(shí)候可以考慮借助來自動(dòng)發(fā)送郵件。一份郵件的組成下圖是中發(fā)送一份郵件的界面，主要包含發(fā)件人收件人抄送人主題正文附件這幾部分。 ...
摘要：參數(shù)分別表示主機(jī)和端口。注意也可以在參數(shù)中指定端口號(hào)如，這樣就沒必要給出參數(shù)。當(dāng)需要發(fā)送附件的時(shí)候使用的就是這個(gè)類的一個(gè)子類。主要用來發(fā)送圖片普通文本郵件文本對(duì)象，其中是郵件內(nèi)容，郵件類型，可以是普通文本郵件，郵件編碼，可以是等等。 python發(fā)送郵件 準(zhǔn)備 python中發(fā)送郵件主要用的是smtplib和email兩個(gè)模塊，下面主要對(duì)這兩個(gè)模塊進(jìn)行講解 在講解之前需要準(zhǔn)備至少兩個(gè)...
摘要：時(shí)間永遠(yuǎn)都過得那么快，一晃從年注冊(cè)，到現(xiàn)在已經(jīng)過去了年那些被我藏在收藏夾吃灰的文章，已經(jīng)太多了，是時(shí)候把他們整理一下了。那是因?yàn)槭詹貖A太亂，橡皮擦給設(shè)置私密了，不收拾不好看呀。 ...
摘要：讓你收獲滿滿碼個(gè)蛋從年月日推送第篇文章一年過去了已累積推文近篇文章，本文為年度精選，共計(jì)篇，按照類別整理便于讀者主題閱讀。本篇文章是今年的最后一篇技術(shù)文章，為了讓大家在家也能好好學(xué)習(xí)，特此花了幾個(gè)小時(shí)整理了這些文章。 showImg(https://segmentfault.com/img/remote/1460000013241596); 讓你收獲滿滿！ 碼個(gè)蛋從2017年02月20...
閱讀 3480·2021-11-22 12:00
閱讀 702·2019-08-29 13:24
閱讀 2937·2019-08-29 11:31
閱讀 2632·2019-08-26 14:00
閱讀 3230·2019-08-26 11:42
閱讀 2507·2019-08-23 18:31
閱讀 830·2019-08-23 18:27
閱讀 2877·2019-08-23 16:58
