从MS Word中提取数据

Question

我正在寻找一种从Word文件中提取/抓取数据到数据库的方法。由于历史和惯性，我们公司记录与客户的会议纪要大多以MS Word文件的形式呈现。

我希望能够将这些会议纪要中的行动项提取到数据库中，以便我们可以从Web界面访问它们，将其转化为任务并在完成后更新它们。

哪种方式最好：

1. 在Word内部使用VBA宏创建CSV文件，然后上传到数据库？ 2. 在Word中使用具有DB连接的VBA宏（如何从VBA连接到MySQL）？ 3. 使用win32com的Python脚本，然后上传到数据库？

对我来说，最后一个方案很有吸引力，因为Web界面是使用Django构建的，但我从未使用过win32com或尝试过用python脚本编写Word。

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。不过，我遇到了一个问题-所有文本都在表格中，当我从所需单元格中提取字符串时，每个字符串的末尾都会出现奇怪的小方框字符。我的代码看起来像：

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

小的控制字符框是怎么回事？是从Word传来的某种字符代码吗？

- Technical Bard

Answer 1

Word在表格中的每个文本单元格末尾都会放置一个标记。它的作用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()函数将其剥离即可，例如：

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

顺便提一下，可以使用

的替代方法是

 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

- Joel Spolsky

---

谢谢Joel！我已经想出可以使用Left()函数来去除单元格末尾标记，但那种方法似乎不够优雅。还有，感谢你提供的其他提示。我不是专业程序员，也绝对不是VBA大师。 - Technical Bard

Answer 2

你可以使用OpenOffice。它可以打开Word文件，也可以运行Python宏。

- nosklo

Answer 3

好的，我从未编写过Word脚本，但是使用win32com进行简单操作相当容易。类似这样：

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 ?

这还没有经过测试，但我认为类似这样的代码只是打开文件并将其保存为纯文本（如果您能找到正确的文件格式） - 然后您可以将文本读入Python中，并从那里进行操作。直接获取文件内容的方法可能也存在，但我不知道它在哪里; 查找文档可能很困难，但如果您有VBA文档或经验，应该能够轻松掌握。

看看以前的这篇文章：http://mail.python.org/pipermail/python-list/2002-October/168785.html 向下滚动到COMTools.py; 那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），以生成可用COM函数的Python“签名”，然后将其作为一种文档查看。

- John Fouhy

Answer 4

我建议看看右边的相关问题 --> 最上面那个似乎有一些很好的想法，可以采用Python路线。

- ranomore

---

“在Python中从MS Word文件中提取文本”的问题涉及在Linux环境下工作。像antiword这样的工具在Windows下除了cygwin之外并不可用，而此帖子的作者愿意使用Word的COM脚本编程。 - John Fouhy

如果你没有什么好的话要说…… 那个问题中一些得票较高的答案根本不是针对Linux的。我猜你错过了那些答案。 - Dave Neeley

Answer 5

将文件保存为xml格式，然后使用Python或其他工具从Word中提取数据并存入数据库，这个方案怎么样？

- brulak

Answer 6

可以通过编程将Word文档保存为HTML，并将其中包含的表格导入Access。这只需要很少的努力。

- Remou