如果你经常与Excel或Word打交道,那么从两份表格/文档中找到不一样的元素是一件让人很头疼的工作,当然网上有很多方法、第三方软件教你如何对比两份文件。本文就将以两份真实的Excel/Word文件为例,讲解如何使用Python光速对比并提取文件中的不同之处!
比较Excel
为了方便说明,我创建了一个简单的Excel用于示例
可以看到上方两个Excel表格中共有五处不同,现在我们使用Python来快速定位这五处不同,这次不需要openpyxl,使用Pandas就能轻松搞定,首先导入相关库并读取数据
import pandas as pdimport numpy as npdf1 = pd.read_excel('data1.xlsx')df2 = pd.read_excel('data2.xlsx')
其实在Pandas中一行代码就能找到两个DataFrame的不同
可以看到,如果一样的数据就是NaN,而变化的数据则以它的值存储,但是如果这么做的话,我们仅仅找到数据不同的位置,并且数据量大的话盯着找到不同也挺消耗时间的,所以我们进一步研究。先换一种方式找到不同的值
接着再使用NumPy根据True/False定位元素位置,同时将值的改变写入原表格并保存
rows,cols=np.where(comparison_values==False)for item in zip(rows,cols): df1.iloc[item[0], item[1]] = '{} --> {}'.format(df1.iloc[item[0], item[1]],df2.iloc[item[0], item[1]])df1.to_excel('diff.xlsx',index=False,header=True)
现在就生成了一个新的Excel来提示我们哪里发生了变化
这样看起来就舒服了很多(高亮是手动的),当然在进行两个Excel比较的时候一定要注意这两个Excel的数据格式要差不多!
比较Word
两份Word比较起来相对于Excel就困难一点。首先我们还是创建两份有区别的Word文档,内容取自百度百科中的Python介绍
左边的为原始word右边的word是我修改了几处的文档, 现在我们用Python来快速找到两份文档的不同。读取文件使用到的是docx库 ,因为涉及到中文所以我们需要先读取docx文件,然后分段再根据标点符号分句,具体代码如下
def getText(wordname): '''提取文字''' d = Document(wordname) texts = [] for para in d.paragraphs: texts.append(para.text) return textsdef is_Chinese(word): '''识别中文''' for ch in word: if '\u4e00' <= ch <= '\u9fff': return True return Falsedef msplit(s, seperators = ',|.|?|,|。|?|!|、'): '''根据标点符号分句''' return re.split(seperators, s)def readDocx(docfile): '''读取文档''' print(f"======正在读取{docfile}======") paras = getText(docfile) segs = [] for p in paras: temp = [] for s in msplit(p): if len(s) > 2: temp.append(s.replace(' ', "")) if len(temp) > 0: segs.append(temp) return segs
使用上面这段代码读一下两个word试试
可以看到我们的word文件已经按照不同段落分好句存在两层list中,所以接下来的问题就转换为比较两个list,而这又是我们熟悉的
def comparsion(doc1,doc2,p,s): if doc1 == doc2: print('两个word完全一致') else: if doc1p != doc2p: print(f"第{p+1}段,第{s+1}句不相同: {doc1p} ----> {doc2p}")
上面的判断为最简单的形式:两个word中仅有文字改变,而段落、句子数量均没有改变,我们来试一下效果
只要一秒,Python就找到了两份word文档之间的不同之处并定位!
通过介绍如何使用Python来对两个Excel/Word文件进行比较,我想你应该体会到了Python的强大之处,其实思路无非就是读取文件、定位之处并标记。但更重要的是你在日常工作学习时是否可以想到用Python去解决那些繁琐费力的流程,学会使用Python合理偷懒才是我写办公自动化系列的目的。