1.python读取docx文档概述
1.1 从Word文件获取数据
Word（Microsoft Office Word）是微软公司的一款文字处理软件，在日常工作、学习中常被用于处理或存储文字信息。Word文件有两种扩展名.doc和.docx，其中扩展名.doc为微软专用格式，并未对外完全授权，兼容性低；而扩展名为.docx的文件无论是从文件体积大小、响应速度、兼容性等方面都优于.doc文件。
由于Pandas库中没有提供读取Word文件的功能，这里需要借助第三方库python-docx读取Word文件（扩展名为.docx）中的数据。
python-docx是一个Python中专门用于创建和修改Word（以.docx为后缀名）文件的库，该库中提供了Word文件的全套操作，可以轻松地对Word文件进行读写操作。如果当前的环境中没有安装过python-docx库，那么需要先通过pip命令安装该库。
pip install python-docx
1.2 python-docx库介绍84950
python-docx库中主要有一个Document类，Document类的对象表示一个从Word文件加载、类似文件的对象，相当于一个Word文件。不同的Document类的对象对应不同的Word文件，这些对象是独立的，相互之间没有任何影响。
一个Word文件中的内容可能包含段落、标题、表格、样式等几种结构，同样地，Document类的对象包含对应各结构的属性。
paragraphs和tables属性可用于获取Word文件中段落对象和表格对象的列表，其中段落对象是一个Paragraph类的对象，表格对象是一个Tables类的对象。
1. Paragraph类
Paragraph类对象对应Word文件的段落结构。一个Word文件可能由多个段落组成，一旦该文件中输入了一个换行符，就会产生一个新的段落。
2. Table类
Table类对象对应Word文件的表格结构。虽然一个Word文件可能包含多个表格，但每个表格都是由若干个单元格组成，通过单元格的位置即可获取对象的单元格对象。
2.python-docx案例
2.1 基本操作
使用python-docx库读取Word文件的基本步骤
1.创建一个Document类对象
2.通过Document类对象的paragraphs或tables属性获取文件对象的段落对象或表格对象
3.通过段落对象或表格对象中的属性或方法获取文件内容
有一个Word文档，名称为 集合介绍.docx，下面我们将使用python-docx库读取该文件，并提取相关信息。
1.获取段落
代码：
import pandas as pd import numpy as np from docx import Document # 创建Document类的对象 docx = Document('集合介绍.docx') # 获取段落对象 paragraphs = docx.paragraphs for i in paragraphs: # 使用text属性获取段落中的字符串 print(i.text) print("*"*15)
输出为：
可以看出：每个换行符都代表一个段落
2. 获取表格
代码：
from docx import Document # 创建Document对象实例 doc = Document('集合介绍.docx') # 获取表格对象 tables = doc.tables for table in tables: for row in table.rows: # 获取行数据对象 row_content = [] # 用于保存表格数据的列表 for cell in row.cells[:]: # 获取单元格对象 row_content.append(cell.text) # 获取单元格中的字符串 print(row_content) # 以列表形式显示每一行数据 print("*"*15)
输出为：
2.2 实战案例
在一个高校里，有许多的人才培养方案，现在需要对人才培养方案统计，提取其中的
人才培养方案为大部分为word文档，格式包含doc和docx两种，部分为PDF格式，PDF格式的文件处理，将在单独写博客进行拓展，本文仅对word文件进行处理。
2.2.1 查看原始数据目录结构
在进行操作前，首先对数据进行编码，去除学院，专业信息。进入到人才培养方案目录下，执行如下命令
E:\vscode\reddemo\edudata>tree /f > tree.txt
生成tree.txt文件，该文件中内容如下：
一级目录01-14代表04个学院，每个学院下有二级目录，二级目录包括一本，普本，双学位，合作办学等多种专业设置，每个二级目录下有对应三级文件，文件为对应专业的人才培养方案。
具体内容如下：
E:. │ tree.txt │ ├─01 │ ├─一本 │ │ 01人才培养方案（2021版）2021年9月13日 - 02.docx │ │ 02人才培养方案-2021版.doc │ │ │ └─普本 │ 03.doc │ 04.doc │ 05.docx │ ├─02 │ │ 0224+工程造价双学位（更新后20211009）.doc │ │ │ ├─一本 │ │ 01.docx │ │ 02.docx │ │ │ ├─双学位 │ │ 022.doc │ │ 042.doc │ │ │ └─普本 │ 03.docx │ 04.docx │ 05.docx │ 06.docx │ 08.docx │ ├─03 │ ├─一本 │ │ 04.docx │ │ │ └─普本 │ 01.docx │ 02.docx │ 03.docx │ 05.docx │ ├─04 │ ├─普本 │ │ 01.doc │ │ 01.docx │ │ 02.docx │ │ 03.docx │ │ │ └─第二学士学位 │ 012.doc │ 022.docx │ ├─05 │ ├─一本 │ │ 05.doc │ │ │ └─普本 │ 04.docx │ 06.docx │ ├─06 │ ├─一本 │ │ 01.docx │ │ │ └─普本 │ 01.docx │ 03.docx │ 04.docx │ 05.docx │ ├─07 │ 01.doc │ 02.docx │ 03.docx │ 04.docx │ ├─08 │ ├─一本 │ │ 06.docx │ │ │ └─普本 │ 01.pdf │ 02.pdf │ 05.docx │ ├─09 │ │ 01.docx │ │ 02.doc │ │ 03.docx │ │ 04.docx │ │ │ └─合作办学 │ 01.docx │ ├─10 │ 01.doc │ 02.docx │ 03.docx │ 04.docx │ ├─11 │ └─普本 │ │ 01.docx │ │ 03.docx │ │ 04.docx │ │ │ └─第二学士学位 │ 04.docx │ ├─12 │ ├─普本 │ │ 01.docx │ │ 02.docx │ │ 03.docx │ │ │ └─第二学位 │ 03金融数学专业第二学士学位.docx │ ├─13 │ 01.docx │ 02.docx │ └─14 │ 01.docx │ ├─专升本 │ 01.docx │ ├─双学位 │ 012.docx │ └─第二学士学位 01.docx
查看单个文件 E:\vscode\reddemo\edudata\02\一本\02.docx，内容如下：
02专业（本科）人才培养方案
一、专业名称：02
二、修业年限及毕业学分要求：基本学XXX求170学分。
三、授予学位：工学学士
四、培养目标：
本专业培养适应我国社会XX用型人才。
五、毕业要求：
1 工程知识：能够将XXX题。
指标1.1 能够XX问题；
指标1.2 能够XX模型；
指标1.3 能够XX方案；
2 问题分析：能够XX结论。
指标2.1 能够XX环节；
指标2.2 能够XX表达；
指标2.3 能够XX结论。
3 设计/开发解决方案：能够XX等因素。
指标3.1 掌握XX因素；
指标3.2 能够XX审核；
指标3.3 能够XX改进；
指标3.4 能XX因素。
4 研究：能够XX结论。
指标4.1 能够XX方案；
指标4.2 能够XX方案；
指标4.3 能够XX数据；
指标4.4 能够XX结论。
5 使用XX局限性。
指标5.1 了解XX性；
指标5.2 能够XX并运用于复杂工程问题；
指标5.3 能够XX其局限性。
6 工程与社会：能够XX的责任。
指标6.1 能够XX影响；
指标6.2 能够XX影响。
指标6.3 能够XX责任。
7 环境和XX的影响。
指标7.1 能够XX内涵；
指标7.2 能XX评价；
指标7.3 能够XX理念。
8 职业规范：具有XX责任。
指标8.1 能够XX国情；
指标8.2 能够XX责任。
9 个人和团队：能够XX角色。
指标9.1 能够胜任XX的任务；
指标9.2 能够与XX能力。
10 沟通：能够XX交流。
指标10.1 能够XX交流；
指标10.2 了解XX交流。
11 项目管理：理解XX应用。
指标11.1 掌握XX方法；
指标11.2 了解建XX问题；
指标11.3 能够XX控制。
12.终身学习：具有XX能力。
指标12.1 拥有健康的体魄，能够正确面对压力，快速适应社会的发展；
指标12.2 能够认识到自主学习和终身学习的重要性，拥有自主学习的能力，XX问题；
指标12.3 能够适应行业发展，具有不断跟踪和学习学科前沿的能力。
六、主干学科：
（1）管XX程
（2）土XX程
七、主要课程：
工程XX审计等。
八、学分学时比例说明：
总学分为170学分，其中课内学分（含课内实践）为119.5学分，占总学分的70.29%，实践教学（含课内实践、集中实践、综合实践）学分为60.5学分，占总学分的35.59%；选修课学分为44学分，占总学分的25.88%。通识教育平台学分为48学分，占总学分的28.24%，学科基础教育平台学分为29.5学分，占总学分的17.35%，专业教育平台学分为42学分，占总学分的24.71%。
课内总学时（含课内实践）为1976学时，其中选修课学时为400学时，占课内总学时的20.24%。通识教育平台学时为832学时，占课内总学时的42.11%；学科基础教育平台学时为472学时，占课内总学时的23.89%，专业教育平台学时为672学时，占课内总学时的34.01%。
九、备注说明：
--------。
十、附表
附表1：专业XX配表
附表2：专业XX示表
附表3：实践XX平台
附表4：通识XX平台
附表5：学科XX平台
附表6：专业XX平台
附表7：毕业XX矩阵
附表8：毕业XX矩阵
2.2.2 将doc文件转换成docx文件
采用pywin32操做Word，doc文件转换为docx文件。安装pywin32库
pip install pywin32==227
转换代码如下：
from win32com import client as wc def doc_read(file1): word = wc.Dispatch("Word.Application") # 打开word程序 doc = word.Documents.Open(file1) # 打开word文档 doc.SaveAs(file1+"x",12) # 另存为 doc.Close() # 关闭 word 文档 word.Quit() # 关闭 office
2.2.3 查看单个文件，并提取培养目标和学分学时比例说明
导入相关依赖
from glob import glob import re from win32com import client as wc # import docx from docx import Document import pandas as pd import os import numpy as np # Python glob()函数，是种文件通配符，非常常用。glob模块提供了函数用于从目录通配符搜索中生成文件列表
