Python 从MS-Word中提取数据

我正在寻找一种从Word文件中提取/刮取数据到数据库的方法。我们的公司程序在MS Word文件中记录了与客户的会议记录，主要是由于历史和惯性

我希望能够将这些会议记录中的行动项目拉入数据库，以便我们可以从web界面访问它们，将它们转换为任务，并在完成时更新它们

以下哪种方法是最好的：

VBA宏从Word内部创建CSV，然后上传到DB

Word中连接到DB的VBA宏（如何从VBA连接到MySQL？）

Python脚本通过Win32 COM然后上传到DB

最后一个对我很有吸引力，因为web界面是用Django构建的，但我从未使用过win32com或尝试过用python编写Word脚本

编辑：我已经开始使用VBA提取文本，因为它使处理Word对象模型变得更容易。但是我有一个问题——所有的文本都在表格中，当我从我想要的单元格中拉出字符串时，我在每个字符串的末尾都会得到一个奇怪的小方框字符。我的代码如下所示：

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

---

小控制字符框怎么了？Word中是否出现了某种字符代码？

我想说，看看右边的相关问题-->

---

对于python路线，似乎有一些不错的想法。

嗯，我从来没有编写过Word脚本，但是使用win32com做简单的事情非常容易。比如：

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 ?

这是未经测试的，但我认为类似的操作只需打开文件并将其保存为纯文本（前提是您可以找到正确的文件格式）——然后您可以将文本读入python并从中进行操作。可能也有一种方法可以直接抓取文件的内容，但我现在还不知道；文档可能很难找到，但如果您有VBA文档或经验，您应该能够将它们带到各个领域

看看这篇文章：向下滚动到COMTools.py；这里有一些很好的例子

---

您还可以运行makepy.py（pythonwin发行版的一部分）为可用的COM函数生成python“签名”，然后将其作为一种文档进行查看。

将文件另存为xml怎么样。然后使用python或其他方法，将数据从word中提取出来并放入数据库

Word有一个小标记，它放在表格中每个文本单元格的末尾

它就像段落中的段落结束标记一样：用于存储整个段落的格式

只需使用Left（）函数将其去掉，即

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

顺便说一下，不是

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

试试这个：

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

---

你可以使用OpenOffice。它可以打开word文件，也可以运行python宏。

可以通过编程将word文档保存为HTML，并将包含的表导入Access。这只需要很少的努力。

问题“用python从MS word文件中提取文本”是关于在linux环境中工作的。像antiword这样的工具在Windows下除了cygwin之外是不可用的，而这张海报愿意做Word的COM脚本。如果你没有什么好说的。。。对于这个问题，一些投票率较高的答案根本不是linux特有的。我想你错过了。谢谢你，乔尔！我想我可以用Left（）去掉细胞末端的标记，但这对我来说并不优雅。另外，谢谢你的另一个指针。我不是专业的程序员，也绝对不是VBA大师。