引言

在文檔處理中，我們經常需要將Word文檔中的內容轉換成其他格式，如Excel，以便更好地進行數據分析和報告。針對這一需求，我編寫了一個Python腳本，能夠批量處理指定目錄下的Word文檔，將其內容結構化并轉換為Excel文件。

功能概述

這個腳本的主要功能包括：

1. 批量讀取Word文檔：自動檢索指定目錄下的所有Word文檔（.docx格式）。
2. 內容抽取和組織：根據Word文檔中的標題層級（Heading），抽取和組織內容。
3. 關鍵信息提取：自動從Word文檔的文件名中提取關鍵信息，作為Excel表格中的一級節點名稱。
4. 結構化DataFrame創建：將抽取的信息轉化為DataFrame，包含一級至四級節點及其對應內容。
5. Excel文件保存：將每個Word文檔轉換得到的DataFrame保存為同名的Excel文件，位于原始Word文檔所在的同一目錄。

使用方法

1. 準備文檔：確保所有待處理的Word文檔位于同一目錄下，并且每個文檔中要有定義好的標題樣式（一級標題、二級標題等）。
2. 指定目錄：修改腳本中的batch_process_word_to_excel函數中的directory參數，指定Word文檔所在目錄。
3. 運行腳本：執行腳本，等待處理完成。腳本將在指定目錄下生成對應的Excel文件，文件名與原Word文檔一致，但擴展名為’.xlsx’。

代碼解析

以下是腳本的完整代碼，包含了所需的庫和函數定義：

# -*- coding: utf-8 -*-
"""
此Python腳本旨在自動化處理目錄下所有的Word文檔(.docx)，將其內容結構化并轉換為Excel文件(.xlsx)。主要功能：
1. 批量讀取指定目錄下的所有Word文檔。
2. 對每個Word文檔，根據文檔內的標題層級(Heading)結構，抽取和組織內容。
3. 自動從Word文檔的文件名中提取關鍵信息作為Excel表格中的一級節點名稱，特別關注“分冊”和“細則”之間的文本。
4. 將抽取的信息轉化為結構化的DataFrame，其中包含一級至四級節點及其對應內容。具體轉換規則如下：填充說明：1.word文件名為一級標題，作為Excel中的一級節點；2.word中的一級標題作為Excel中的二級節點，一級標題和當前一級標題下的第一個二級標題之間的正文內容作為Excel的二級內容；3.word中的二級標題作為Excel中的三級節點，二級標題和當前二級標題下的第一個三級標題之間的正文內容作為Excel的三級內容；4.word中的三級標題作為Excel中的四級節點，三級標題和當前三級標題下的第一個四級標題之間的正文內容作為Excel的四級內容；
5. 將每個Word文檔轉換得到的DataFrame保存為同名的Excel文件，位于原始Word文檔所在的同一目錄。使用方法：
- 確保所有待處理的Word文檔位于同一目錄下。并且，每個word中要有樣式：一級標題、二級標題、三級標題等
- 修改'batch_process_word_to_excel'函數中的'directory'參數，指定Word文檔所在目錄。
- 運行腳本，腳本將在指定目錄下生成對應的Excel文件，文件名與原Word文檔一致，但擴展名為'.xlsx'。依賴庫：
- os: 提供與操作系統交互的功能，如文件和目錄操作。
- docx: 用于讀取Word文檔的庫。
- pandas: 用于數據處理和分析的庫，創建DataFrame和保存Excel文件。注意事項：
- 代碼假設Word文檔中的標題層級不超過四級。
- 一級節點名稱的提取邏輯基于文件名中包含“分冊”和“細則”的特定格式。
- 如需處理不同層級或文件命名規則，需相應調整代碼邏輯。"""
import os
import docx
import pandas as pddef extract_title_from_filename(filename):# 分割文件名找到"分冊"和"細則"parts = filename.split('分冊')if len(parts) > 1:title_part = parts[1].split('細則')[0]return title_part.strip()  # 去除前后空格else:return filename  # 如果沒有找到"分冊"或"細則"，返回原文件名def process_word_to_excel(file_path):doc = docx.Document(file_path)columns = ['一級節點', '二級節點', '二級內容', '三級節點', '三級內容', '四級節點', '四級內容']df = pd.DataFrame(columns=columns)# 獲取Word文檔的文件名，并從中提取一級節點名稱filename = os.path.basename(file_path)word_file_name = extract_title_from_filename(filename)current_level2 = ""current_level3 = ""current_level4 = ""current_content = ""last_level = 0for paragraph in doc.paragraphs:if paragraph.style.name.startswith('Heading'):heading_level = int(paragraph.style.name[-1])if heading_level <= last_level:if current_level4:new_row = pd.DataFrame({'一級節點': [word_file_name],'二級節點': [current_level2],'三級節點': [current_level3],'四級節點': [current_level4],'四級內容': [current_content]})elif current_level3:new_row = pd.DataFrame({'一級節點': [word_file_name],'二級節點': [current_level2],'三級節點': [current_level3],'三級內容': [current_content]})elif current_level2:new_row = pd.DataFrame({'一級節點': [word_file_name],'二級節點': [current_level2],'二級內容': [current_content]})df = pd.concat([df, new_row], ignore_index=True)current_content = ""if heading_level == 1:current_level2 = paragraph.textcurrent_level3 = ""current_level4 = ""last_level = 1elif heading_level == 2:current_level3 = paragraph.textcurrent_level4 = ""last_level = 2elif heading_level == 3:current_level4 = paragraph.textlast_level = 3else:current_content += paragraph.text + '\n'if current_content:if current_level4:new_row = pd.DataFrame({'一級節點': [word_file_name],'二級節點': [current_level2],'三級節點': [current_level3],'四級節點': [current_level4],'四級內容': [current_content]})elif current_level3:new_row = pd.DataFrame({'一級節點': [word_file_name],'二級節點': [current_level2],'三級節點': [current_level3],'三級內容': [current_content]})elif current_level2:new_row = pd.DataFrame({'一級節點': [word_file_name],'二級節點': [current_level2],'二級內容': [current_content]})df = pd.concat([df, new_row], ignore_index=True)return dfdef batch_process_word_to_excel(directory):for filename in os.listdir(directory):if filename.endswith('.docx'):file_path = os.path.join(directory, filename)df = process_word_to_excel(file_path)excel_filename = os.path.splitext(filename)[0] + '.xlsx'excel_path = os.path.join(directory, excel_filename)df.to_excel(excel_path, index=False)print(f'Processed {filename} to {excel_filename}')# 調用函數，指定目錄
batch_process_word_to_excel('D:\\test')