今天又突然接到个比较繁琐的任务。有一堆word文档(好几百个)，内容都是一样的表格，但由于一些原因，需要把表格中的某些单元格内容进行修改和删除。又是这种“没有技术含量”的大量重复的工作，于是第一反应就想到了用Python。600多个文档就算找别人帮忙，每个人都要分快一百个，太浪费时间。
1.实现思路分析
利用Python实现简单来说就是读取表格内容，然后将指定的单元格内容置空即可。Python读取docx文件内容可以使用python-docx这个库。修改完之后，再将内容保存成新的文件即可。python-docx的安装十分简单，直接pip install python-docx即可。它的PYPI主页是这里，说明文档是这里，里面有简单的使用说明，可以参考。
这里还有另外一个问题，那就是我拿到的word文档都是doc格式的，而这个库似乎只能读取docx文件，读取不了doc文件。因此要想使用这个库进行批量处理，第一步就是先将这些文件批量转成docx格式。在网上找了相关资料也比较多，例如这个网页。简单来说基本都是通过win32com这个库实现和Word的交互。但因为转换并不是这篇博客的主题，这里就不多介绍了。这里直接使用了别人写好的一个程序实现批量转换，程序的下载地址在上面这个网页上有。作者给出的百度云链接：https://pan.baidu.com/s/1fOfFpIU4rKnAYCBdNCa1tg 密码：pmlu。当然如果有兴趣，可以去作者的博客，网页是这里，介绍了程序实现的原理和代码。下面使用的所有数据都是经过上面转换后的docx文件，如果你的文件本身就是docx就不需要这一步了。
2.脚本设计
首先，需要处理的word文件截图如下。是实习中使用的控制点的点之记。
在给别人的时候需要做如下修改。首先是将点的经度、纬度精度降低，只保留到整数秒，同时删去高程、观测者和检查者信息，最后重新保存成一个word文件，如下。
对于需要修改的经纬度，考虑采用字符串截取的办法，保留一定长度的字符串，对于需要删除的单元格，直接将其值赋为空。在编写正式代码之前，我们应该读取一下文档内容，看看我们需要处理的单元格的位置，然后将这些位置记下来，在处理程序中做进一步处理。下面是利用代码读取每个单元格内容并输出其位置的代码。
# coding=utf-8
from docx import Document
import sys
# 手动设置字符编码，防止文件内容包含中文而导致出错
reload(sys)
sys.setdefaultencoding('utf8')
file_path = "C:\\Users\\obtdata005\\Desktop\\1000.docx"
doc = Document(file_path)
# 遍历所有表格，由于我们这里只有一个表，所以这个循环只执行一次
for table in doc.tables:
# table.rows包含了table中所有的行
for i in range(table.rows.__len__()):
# table.rows[i].cells表示第i行中所有的单元格
for j in range(table.rows[i].cells.__len__()):
print(i, j)
# 单元格有text属性
print(table.rows[i].cells[j].text)
注意这里设置字符编码的代码不能省略，否则在含有中文的时候会报错。更多内容可以参考API文档。运行代码后，输出如下结果。
我们只需要按照要求，修改或删除这些位置的内容就可以了。至于说为什么会出现很多重复的情况暂时还不清楚。不过没有关系，不影响使用，如(2,1)和(2,2)位置上都是纬度信息，在处理的时候就把两个单元格同时处理即可。
2.实现代码
代码并不复杂，直接上代码。
# coding=utf-8
from docx import Document
import sys
import os
import time
reload(sys)
sys.setdefaultencoding('utf8')
def modifyDocx(file_path, out_path):
doc = Document(file_path)
# 遍历所有表格
for table in doc.tables:
for i in range(table.rows.__len__()):
for j in range(table.rows[i].cells.__len__()):
# 纬度，截取到整数秒
if i == 2 and j == 1:
table.rows[i].cells[j].text = table.rows[i].cells[j].text[:8] + "\""
if i == 2 and j == 2:
table.rows[i].cells[j].text = table.rows[i].cells[j].text[:8] + "\""
# 经度，截取到整数秒
if i == 2 and j == 3:
table.rows[i].cells[j].text = table.rows[i].cells[j].text[:9] + "\""
if i == 2 and j == 4:
table.rows[i].cells[j].text = table.rows[i].cells[j].text[:9] + "\""
# 高程信息，删去
if i == 2 and j == 5:
table.rows[i].cells[j].text = ''
# 观测、检查人员信息，删去
if i == 7 and j == 2:
table.rows[i].cells[j].text = ''
if i == 8 and j == 2:
table.rows[i].cells[j].text = ''
doc.save(out_path)
def findAllFiles(root_dir, filter):
print("Finding files ends with \'" + filter + "\' ...")
separator = os.path.sep
paths = []
names = []
# 遍历
for parent, dirname, filenames in os.walk(root_dir):
for filename in filenames:
if filename.endswith(filter):
paths.append(parent + separator)
names.append(filename)
for i in range(paths.__len__()):
print(paths[i] + names[i])
print (names.__len__().__str__() + " files have been found.")
paths.sort()
names.sort()
return paths, names
root_dir = "C:\\Users\\obtdata005\\Desktop\\out_file"
filter = ".docx"
out_path = "C:\\Users\\obtdata005\\Desktop\\out_file2"
# 遍历寻找word文件，构建docx文件全路径
paths, names = findAllFiles(root_dir, filter)
input_filenames = []
for i in range(names.__len__()):
input_filenames.append(paths[i] + names[i])
# 创建输出文件的输出路径和文件名
output_filenames = []
for i in range(names.__len__()):
output_filenames.append(out_path + "\\" + names[i])
# 调用函数批量修改表格内容
t1 = time.time()
for i in range(input_filenames.__len__()):
print("converted " + (i + 1).__str__() + "/" + input_filenames.__len__().__str__())
modifyDocx(input_filenames[i], output_filenames[i])
t2 = time.time()
dt = t2 - t1
print("cost " + dt.__str__() + " s")
控制台中运行结果如下。
可以看到，一共耗时58s。如果要是人工一个个去改，就算修改一个文件需要20s，那620个文件一共需要12400s，也就是3.44个小时，这还是在不休息的情况下。利用脚本效率提升了213倍。随便打开一个处理完成后的文件如下。圆满的完成了任务。
最后，附上两个未处理前的文件以供测试。链接：https://pan.baidu.com/s/1_cTGmerjsdLfrhjpXVZnAA 密码：ag36
本文作者原创,未经许可不得转载,谢谢配合
