python办公自动化(二) | 读取.txt、.data、.doc和.docx文档的部分内容

python的文件操作，是python办公自动化的最基础部分。今天，数据猿就尝试对四种格式的文档，进行部分内容读取的操作，实现读取文件操作的办公自动化~

目录如下——

读取文本文档

with 语句读取部分内容

python最基本的文件读取是采用open()函数，但需要close()来关闭文件，否则会报错，所以建议使用with语句来读取一般的txt文件。

with open('file.txt',encoding='utf-8',sep='\n') as f:
   alltxt = f.read()

如果要将其中一部分读取出来，怎么办呢？

有两种方法可以解决问题。

方法一：.find()定位下标法

使用.find()查找目标文字的下标，然后利用此下标进行字符串切片。

s = alltxt.find('这是这部分开头。')
e = alltxt.find('这是这部分结尾。')
alltxt[s:e]

方法二：.index()索引法

index()索引法和find()方法基本一致。

s_txt = '这是这部分开头。'
e_txt= '这是这部分结尾。'
alltxt[alltxt.index(s_txt):alltxt.index(e_txt)+len(e_txt)]

find(substr, beg=0, end=len(string))

在[beg, end]范围内查找substring，找到返回substr的起始下标，否则返回 -1。

index(substr，beg=0，end=len(string))

同find()类似，不同的是，如果未找到substr，则返回一个异常 ValueError: substring not found。

如果需要读取的文件是.csv和.data文件，这类文件类似表格，with语句的读取方式就相对复杂，因此需要采用pandas库来读取。

pandas读取.data文件

学机器学习的小伙伴会发现，在使用最初的数据集的时候，需要与UCI的机器“机器学习仓库：学习和智能系统中心”（Machine Learning Repository：Center for Machine Learning and Intelligent Systems）的数据集打交道。

如果是使用库自带的数据集还好，直接load_iris()，如果需要下载这个网站的最新数据集，则要下载此类文件——

我们会发现，这里的鸢尾花数据集是.data格式。要想读取.data文件，就需要使用pandas。如下所示——

import pandas as pd
data=pd.read_csv('iris.data',names=['sepal_lengh_cm','sepal_width_cm','petal_length_cm','petal_width_cm','class'],sep=",",skiprows=1)
data.head(5)

pd.read_csv()既可以读取csv文件，还可以读取.data和。.txt文件，非常好用。但是，需要注意设定sep=','根据数据需要调整分隔符。

读取doc文档

在日常工作中，我们经常会遇到，给定一个.doc文档，要求从中提取一部分文字存起来。

但是，.doc格式比较老，python中没有库读写.doc，所以就需要一个系统工具的库（这里是win32com）来打开word应用，将.doc转存为另存为.docx，再使用python-docx进行读写，以完成自动化操作。

首先，导入必要的库。这里需要os库获取当前路径和电脑绝对路径，以此找到word应用并打开doc文件。

# 将.doc文件转成.docx
import os
import time
import win32com
from win32com.client import Dispatch

然后，构造另存函数。主要流程为

打开word应用——找到目标文件——打开目标文件——另存目标文件——退出。

def doc2docx(path):
   w = win32com.client.Dispatch('Word.Application')
   w.Visible = 0
   w.DisplayAlerts = 0
   doc = w.Documents.Open(path)
   # 这里必须要绝对地址,保持和doc路径一致
   newpath = allpath+'\目标读取文档.docx'
   time.sleep(3)# 暂停3s，否则会出现-2147352567,错误
   doc.SaveAs(newpath,12,False,"",True,"",False,False,False,False)
   # doc.Close() 开启则会删掉原来的doc
   w.Quit()# 退出
   return newpath
allpath = os.getcwd()
print(allpath)
doc2docx(allpath+'\目标读取文档.doc')

读取docx文档部分内容

导入python-docx库，注意这里写import docx即可。

但是，pip下载第三方库的时候要下载python-docx,否则会出错。

docx是按照段落读取的，所以需要列表解析式+.join()来形成一个长字符串，以便进行上文所示的字符串切片，从而读取部分内容。

import docx
fn = r'目标读取文档.docx'

doc = docx.Document(fn)
pa = [p.text for p in doc.paragraphs]
pa1 = ''.join(pa)

使用上文中的str.index索引法读取部分内容——

start_txt = 'A'
final_txt = 'B'
pa2 = pa1[pa1.index(start_txt):pa1.index(final_txt)+len(final_txt)]
pa2

往期精品：

python办公自动化(一) | chardet库自动读写多编码格式的文件

本文系纯原创，如有纰漏，敬请指出

文字编辑：数据猿Riggle

在读新闻与传播专硕研究生，沉迷文科大数据，目前写论文、找工作ing

首发平台：文科数据员（ID：HSS_data）