Estrazione di dati da MS Word

Question

Sto cercando un modo per estrarre/raschiare dati da file di Word in un database. Le nostre procedure aziendali hanno il verbale delle riunioni con i clienti documentati in file MS Word, principalmente a causa della storia e dell'inerzia.

Voglio essere in grado di estrarre gli elementi di azione da questi minuti di riunione in un database in modo che possiamo accedervi da un'interfaccia Web, trasformarli in attività e aggiornarli quando vengono completati.

che è il modo migliore per farlo:

1. macro VBA da Word dentro per creare CSV e poi caricare il DB?
2. Macro VBA in Word con connessione a DB (come connettersi a MySQL da VBA?)
3. Script Python tramite win32com quindi caricare in DB?

L'ultimo è interessante per me poiché l'interfaccia web viene creata con Django, ma non ho mai utilizzato Win32com o provato Word di scripting da Python.

MODIFICA: Ho iniziato a estrarre il testo con VBA perché rende un po 'più facile gestire il modello a oggetti di Word. Tuttavia ho un problema: tutto il testo è in tabelle e quando estraggo le corde dalle CELLU che desidero, ottengo uno strano carattere piccolo alla fine di ogni stringa. Il mio codice è simile a:

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 

Che succede con la piccola scatola di caratteri di controllo? C'è qualche tipo di codice di carattere in arrivo da Word?

Answer 1

Word ha un piccolo marcatore che pone alla fine di ogni cella di testo in una tabella.

Viene utilizzato come un indicatore di fine paragrafo nei paragrafi: per memorizzare la formattazione per l'intero paragrafo.

basta usare la funzione di Sinistra() per mettere a nudo fuori, cioè

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

A proposito, invece di

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

Prova questo:

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

Answer 2

Direi guardare le domande correlate a destra -> Il top one sembra avere alcune buone idee per percorrere la rotta di Python.

Answer 3

Beh, non ho mai scritto Word, ma è abbastanza facile fare cose semplici con win32com. Qualcosa di simile:

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 ? 

Questo non è testato, ma penso che qualcosa di simile sarà solo aprire il file e salvarlo come testo normale (condizione che si può trovare il fileformat a destra) - si potrebbe poi leggere il testo in pitone e manipolarlo da lì. Probabilmente c'è anche un modo per prendere direttamente il contenuto del file, ma non lo conosco di nascosto; la documentazione può essere difficile da trovare, ma se hai documenti VBA o esperienza, dovresti essere in grado di trasportarli.

Dai un'occhiata a questo post da un po 'di tempo fa: http://mail.python.org/pipermail/python-list/2002-October/168785.html Scorri verso il basso fino a COMTools.py; ci sono alcuni buoni esempi lì.

È anche possibile eseguire makepy.py (parte della distribuzione pythonwin) per generare "firme" Python per le funzioni COM disponibili, quindi esaminarle come una sorta di documentazione.

Answer 4

come risparmiare il file come xml. quindi usando python o qualcos'altro ed estraete i dati dalla parola e nel database.

Answer 5

si potrebbe usare Ufficio aperto. Può aprire file di parole e anche eseguire macro python.

Answer 6

È possibile salvare a livello di programmazione un documento di Word in formato HTML e importare le tabelle contenute in Access. Ciò richiede pochissimo sforzo.