机器学习初学者
领导给了一个任务：已知每天公司会发一个“每日要情”doc文件，求一年每日要情中所有数字化转型相关内容的汇编。
开发工具
python版本：3.8.8
相关模块：
os
docx
win32com
环境搭建
安装Python并添加到环境变量，pip安装需要的相关模块即可。
代码全解
解这种办公自动化的题，最简单易懂的思路就是用python全程模拟人的全套动作。那么人肉暴力解这道题是怎么解？首先要人肉将所有word文档粘贴在一起，再Ctrl+F查找数字化转型相关的关键词，把搜到的内容整理到另外一个word里。目测两天两夜弄不完，即使弄得完，也会被机械劳动恶心死。
那么整个项目就被分解为三大动作：合并word，检索word，输出word。
1. 合并word
虽然处理word和excel有很多库，比如处理excel的xlrd、xlwt、xlutils、xlwings、openpyxl、xlsxwriter，处理word的python-docx、docx2txt、textract、antiword。
但是他们都不如win32com这个神器好用。它能支持office所有的com接口。这个接口的使用说明在微软的官网也可以查询到。有了这么完备的接口，我们就能在office的功能中“为所欲为”。其他的库，更加轻量，但是如果要用到更复杂的功能的时候，可能就比较捉襟见肘。
更要命的是没有支持doc文件的库，大部分只支持docx文件。
那么如何用win32com合并doc文件并生成docx文件，就成了本项目最关键的一步。
import osimport win32com.client as win32word = win32.gencache.EnsureDispatch('Word.Application')#启动word对象应用word.Visible = False#获取文件夹中的所有doc文件的文件名path = r'D:\pythonProject\meiriyaoqing\2021年每日要情'files = []for filename in os.listdir(path):filename = os.path.join(path,filename)files.append(filename)#新建合并后的文档output = word.Documents.Add()#拼接文档for file in files:output.Application.Selection.InsertFile(file)#获取合并后文档的内容doc = output.Range(output.Content.Start, output.Content.End)#保存docx文档output.SaveAs('D://pythonProject//meiriyaoqing//result.docx')output.Close()
差不多等个10多分钟，800多页，88万字的报告就合并完成了。
所有doc内容被合并到了result.docx里。
2. 检索word
首先读取result.docx的内容看看一共有多少个段落。
import docxfrom docx import Documentdoc = Document("result.docx")print("段落数:"+str(len(doc.paragraphs)))print(len(doc.paragraphs))
把所有段落存放在一个名为text的列表中。
#段落内容存入列表text=[]for i in range(len(doc.paragraphs)):text.append(doc.paragraphs[i].text)print("第"+str(i)+"段的内容是："+doc.paragraphs[i].text)print(text)
按内容来划分这些段落，将有数字化转型及其相关词的段落全部取出，放在第一部分。
#按内容分类result=docx.Document()paragraph1 = result.add_paragraph("\n数字化转型相关内容：\n")for i in text:flag=0if '数字化转型' in i:print(i)result.add_paragraph(i, style='List Number')flag=1if '5G' in i:if flag ==0:result.add_paragraph(i, style='List Number')flag=1if 'RPA' in i:if flag ==0:result.add_paragraph(i, style='List Number')flag=1if '人工智能' in i:if flag ==0:result.add_paragraph(i, style='List Number')flag=1
按专业来划分这些段落，将有信通专业及其相关词的段落全部取出，排除掉其中包含有信通公司但是属于现场作业类的段落，放在第二部分。
#按专业分类：paragraph2 = result.add_paragraph("\n信通公司相关内容：\n")for i in text:if '现场作业' in i:continueif '信通公司' in i:print(i)result.add_paragraph(i, style='List Number')if '信通分公司' in i:print(i)result.add_paragraph(i, style='List Number')if '信息通信分公司' in i:print(i)result.add_paragraph(i, style='List Number')
3. 输出word
result.save("每日要情智能分类结果.docx")
往期精彩回顾 本站qq群955171419，加入微信群请扫码：
