YunNanDsBase/Py/DoAreaDocx.py

import os
import time

import win32com
from win32com.client import Dispatch
import re
import logging

# pip install pywin32 openpyxl
# pip install pywin32

logging.basicConfig(
    level=logging.DEBUG,  # 设置日志级别
    filename='app.log',  # 设置日志文件名
    filemode='w',  # 文件模式，'w'表示写模式，每次运行都会覆盖旧文件；'a'表示追加模式
    format='%(name)s - %(levelname)s - %(message)s'  # 设置日志格式
)

working_dir = r"D:\dsWork\YunNanDsBase\Doc\全省及州市县区人口与教育报告集20241023\133个县区报告2022\县区研究报告"
import openpyxl

# 声明Word应用程序
docApp = win32com.client.Dispatch('Word.Application')
docApp.Visible = True
docApp.DisplayAlerts = 0

# 有问题的县区列表
errorArea = []
# 读取ErrorArea.txt,将每一行的县区名称读入列表中
with open('ErrorArea.txt', 'r', encoding='utf-8') as f:
    for line in f:
        # 去除每行前后的空白字符，包括空格、制表符和换行符
        line = line.strip()
        # 将文本中的关键字替换为空字符串
        errorArea.append(line)

# 在工作目录下创建Excel目录
excel_dir = r'D:\dsWork\YunNanDsBase\Doc\全省及州市县区人口与教育报告集20241023\133个县区报告2022\Excel'
if not os.path.exists(excel_dir):
    os.mkdir(excel_dir)
# 遍历working_dir目录下的所有子文件夹
for root, dirs, files in os.walk(working_dir):
    for dir in dirs:
        # 获取县区名称
        county_name = dir

        # 获取县区文件夹路径
        county_dir = os.path.join(root, dir)
        # 遍历县区文件夹下的所有文件
        for file in os.listdir(county_dir):
            # 获取文件路径
            file_path = os.path.join(county_dir, file)
            cityName = ""
            # 判断文件是否是Word文档
            if file_path.endswith('.docx') and not file.startswith('~'):
                cityName = file_path.replace(working_dir, '')[1:].split("各县")[0]
                areaName = file

                areaName = re.sub(r'[^\u4e00-\u9fa5]', '', areaName)
                if '市' not in areaName and '县' not in areaName and '区' not in areaName:
                    continue
                # 打开文件文件，按行读取
                with open('replaceBlank.txt', 'r', encoding='utf-8') as f:
                    for line in f:
                        # 去除每行前后的空白字符，包括空格、制表符和换行符
                        line = line.strip()
                        # 将文本中的关键字替换为空字符串
                        areaName = areaName.replace(line, '')
                # 打开文件文件，按行读取
                with open('replaceText.txt', 'r', encoding='utf-8') as f:
                    for line in f:
                        # 去除每行前后的空白字符，包括空格、制表符和换行符
                        line = line.strip()
                        # 将文本中的关键字替换为空字符串
                        areaName = areaName.replace(line.split(' ')[0], line.split(' ')[1])
                # 检查Excel目录下是不是存在这个城市的文件夹，如果不存在，则创建
                city_dir = os.path.join(excel_dir, cityName)
                if not os.path.exists(city_dir):
                    os.mkdir(city_dir)

                # 在城市文件夹下，查看是不是存在县区的子文件夹，如果不存在则创建
                county_sub_dir = os.path.join(city_dir, areaName)
                if not os.path.exists(county_sub_dir):
                    os.mkdir(county_sub_dir)
                else:  # 如果存在，就跳过
                    # 查看一下这个文件夹下有多少个文件
                    file_count = len([name for name in os.listdir(county_sub_dir)])
                    if file_count > 10:
                        print(county_sub_dir + " 文件夹下有超过10个文件，跳过")
                        continue
                # 跳过错误县区
                flag = False
                for e in errorArea:
                    if e in areaName:
                        flag = True
                if flag:
                    print(county_sub_dir + " 跳过")
                    continue
                print("正在处理" + cityName + "    " + areaName + "...")
                # 使用word读取图表的技术，保存EXCEL文件到城市的目录下
                # 休息3秒，防止WORD打开频繁造成错误
                time.sleep(3)
                doc = docApp.Documents.Open(file_path)
                # 遍历文档中所有的文字段落,判断是不是以 图+数字开头
                idx = 1
                # 图表的名称列表
                tb_list = []
                for para in doc.Paragraphs:
                    x = para.Range.Text.strip().replace("图 ", "图").replace("  ", " ")
                    if x.startswith("图"):
                        tb_list.append(x)
                        idx = idx + 1

                # 遍历文档中的所有内嵌形状
                idx = 1
                for inline_shape in doc.InlineShapes:
                    if inline_shape.Type == win32com.client.constants.wdInlineShapeChart:
                        shape = doc.InlineShapes(idx)
                        sheet = shape.Chart.ChartData.Workbook.Worksheets(1)
                        # 创建一个新的Excel工作簿
                        wb = openpyxl.Workbook()
                        ws = wb.active

                        # 遍历Excel工作表中的所有单元格，并将其写入新的工作簿
                        for row in range(1, sheet.UsedRange.Rows.Count + 1):
                            for col in range(1, sheet.UsedRange.Columns.Count + 1):
                                cell_value = sheet.Cells(row, col).Value
                                ws.cell(row=row, column=col, value=cell_value)
                        # 保存新的Excel文件
                        try:
                            original_string = tb_list[idx - 1]
                            # 使用正则表达式过滤，只保留中文、英文和数字
                            original_string = original_string[1:]
                            if ' ' in original_string:
                                original_string = original_string.split(" ")[1]
                            filtered_string = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9]', '', original_string)
                            fileName = '【' + str(idx) + '】' + filtered_string + ".xlsx"

                            wb.save(county_sub_dir + '/' + fileName)
                        except:
                            pass
                        wb.close()
                        print("保存文件：" + fileName)
                        # 下一个图表的索引号
                        idx = idx + 1
                # 关闭文档和Word应用
                doc.Close()
                print(f"县区处理完成：{cityName}{areaName}")
docApp.Quit()
print("恭喜，所有县区数据整理工作成功完成！")