python - instalar - Extrayendo datos de MS Word

read word file in python

Question

Estoy buscando una manera de extraer / raspar datos de archivos de Word en una base de datos. Nuestros procedimientos corporativos tienen minutos de reuniones con clientes documentados en archivos de MS Word, principalmente debido a la historia y la inercia.

Quiero ser capaz de extraer los elementos de acción de estos minutos de reunión en una base de datos para que podamos acceder a ellos desde una interfaz web, convertirlos en tareas y actualizarlos a medida que se completan.

Cuál es la mejor manera de hacer esto:

1. ¿Macro de VBA desde dentro de Word para crear CSV y luego subirlo al DB?
2. Macro de VBA en Word con conexión a DB (¿cómo se conecta uno a MySQL desde VBA?)
3. La secuencia de comandos de Python a través de win32com luego se carga a DB?

El último es atractivo para mí ya que la interfaz web se está construyendo con Django, pero nunca he usado win32com o intenté escribir Word desde Python.

EDITAR: Empecé a extraer el texto con VBA porque hace que sea un poco más fácil tratar con el Modelo de objetos de Word. Aunque estoy teniendo un problema: todo el texto está en tablas, y cuando saco las cuerdas de las CELDAS que quiero, obtengo un extraño carácter de caja al final de cada cuerda. Mi código se ve así:

sFile = "D:/temp/output.txt"
fnum = FreeFile
Open sFile For Output As #fnum

num_rows = Application.ActiveDocument.Tables(2).Rows.Count

For n = 1 To num_rows
    Descr = Application.ActiveDocument.Tables(2).Cell(n, 2).Range.Text
    Assign = Application.ActiveDocument.Tables(2).Cell(n, 3).Range.Text
    Target = Application.ActiveDocument.Tables(2).Cell(n, 4).Range.Text
    If Target = "" Then
        ExportText = ""
    Else
        ExportText = Descr & Chr(44) & Assign & Chr(44) & _
            Target & Chr(13) & Chr(10)
        Print #fnum, ExportText
    End If
Next n

Close #fnum

¿Qué pasa con la pequeña caja de caracteres de control? ¿Algún tipo de código de carácter viene de Word?

Answer 1

¿Qué tal si guardas el archivo como xml? luego usando Python u otra cosa y extrae los datos de la palabra y los ingresa en la base de datos.

Answer 2

Bueno, nunca he escrito Word, pero es bastante fácil hacer cosas simples con win32com. Algo como:

from win32com.client import Dispatch
word = Dispatch(''Word.Application'')
doc = word.Open(''d://stuff//myfile.doc'')
doc.SaveAs(FileName=''d://stuff//text//myfile.txt'', FileFormat=?)  # not sure what to use for ?

Esto no se ha probado, pero creo que algo así simplemente abrirá el archivo y lo guardará como texto sin formato (siempre que pueda encontrar el formato de archivo correcto); podría leer el texto en python y manipularlo desde allí. Probablemente haya una manera de tomar el contenido del archivo directamente, también, pero no lo sé; la documentación puede ser difícil de encontrar, pero si tienes documentos o experiencia de VBA, deberías ser capaz de transmitirlos.

Echa un vistazo a esta publicación de hace un tiempo: http://mail.python.org/pipermail/python-list/2002-October/168785.html Desplázate hacia abajo hasta COMTools.py; hay algunos buenos ejemplos allí.

También puede ejecutar makepy.py (parte de la distribución pythonwin) para generar python "firmas" para las funciones COM disponibles, y luego mirar a través de él como un tipo de documentación.

Answer 3

Es posible guardar mediante programación un documento de Word como HTML e importar las tablas contenidas en Access. Esto requiere muy poco esfuerzo.

Answer 4

Podrías usar OpenOffice. Puede abrir archivos de palabras, y también puede ejecutar macros de Python.

Answer 5

Word tiene un pequeño marcador que pone al final de cada celda de texto en una tabla.

Se usa como un marcador de final de párrafo en párrafos: para almacenar el formato de todo el párrafo.

Simplemente use la función Izquierda () para quitarla, es decir,

 Left(Target, Len(Target)-1))

Por cierto, en lugar de

 num_rows = Application.ActiveDocument.Tables(2).Rows.Count
 For n = 1 To num_rows
      Descr = Application.ActiveDocument.Tables(2).Cell(n, 2).Range.Text

Prueba esto:

 For Each row in Application.ActiveDocument.Tables(2).Rows
      Descr = row.Cells(2).Range.Text

Answer 6

Diría que miren las preguntas relacionadas a la derecha -> La de arriba parece tener algunas buenas ideas para seguir la ruta de Python.