Как парсить текст при помощи python-docx?

Question

[Aset01]

Доброго времени суток.
Пользуюсь библиотекой python-docx чтобы запарсить данные в таблицах из файлов .doc , .docx в папке.
Данные собираются в массив далее переформируются в словарь и сохраняются в excel.
В данный момент времени необходимо еще добавить в массив фразу из текста в документе например:
"2. Цены по Приложению № 1 действительны в случае поступления оплаты на расчётный счёт Продавца до 31 января 2022 года"
Необходимо дату "31 января 2022 года"

Answer 1

[Vindicar]

1. Оформленный код в студию.
2. Формат разбираемого текста фиксирован, т.е. он всегда выглядит одинаково? Если да, регулярные выражения в помощь.
Если нет... ну можешь попробовать задействовать пакет Natasha, но это из пушки по воробьям.

Comments

[Aset01]

Спасибо большое) я уже сообразил. Если интересно вот код, я очень слаб в программировании, если найдете решения по оптимизации кода буду рад посмотреть варианты

import os
from docx import Document
import pandas as pd

parse_table_list = []
directory = 'D:\Новая папка'
data_base = pd.read_excel('D:\Новая папка\База данных.xlsx')

def parse_files(directory):
    file_list = []
    for filename in os.listdir(directory):
        file = os.path.join(directory, filename)
        if os.path.isfile(file) and filename.endswith('.docx') or filename.endswith('.doc'):
            file_list.append(file)

    for file in file_list:
        parse_table_docx(file)


def parse_table_docx(file):
    doc = Document(file)
    all_tables = doc.tables
    data_tables = {i:None for i in range(len(all_tables))}
    indx = 0
    list_paragraphs = []
    find_text = 'действительны в случае поступления оплаты на расчётный счёт Продавца'
    for para in doc.paragraphs:
        indx += 1
        if len(para.text) > 0:
            list_paragraphs.append(para.text)

    for i in range(len(list_paragraphs) - 1):
        if find_text in list_paragraphs[i]:
            date_indx = list_paragraphs[i].find(find_text)
            date_in_text = list_paragraphs[i][date_indx + 69:len(list_paragraphs[i])-1]

    for i, table in enumerate(all_tables):
         data_tables[i] = [[] for _ in range(len(table.rows))]
         for j, row in enumerate(table.rows):
             for cell in row.cells:
                 data_tables[i][j].append(cell.text)

    for i in data_tables:
         if data_tables[i][0][0] == 'Наименование товара':
              if data_tables[i][0][1] == 'Ед. изм.':
                  for k in range(len(data_tables[i])):
                      if k >= 1 and k < len(data_tables[i])-1:
                          for l in range(len(data_tables[i][k])):
                              if l < (len(data_tables[i][k])-1):
                                  parse_table_list.append(data_tables[i][k][l])
                          parse_table_list.append(date_in_text)

def sorted_table(parse_table_list):
    parse_table_list = {
                          'Наименование товара':[parse_table_list[i] for i in range(0, len(parse_table_list), 6)],
                         'Ед. изм.':[parse_table_list[i] for i in range(1, len(parse_table_list), 6)],
                         'Количество':[parse_table_list[i] for i in range(2, len(parse_table_list), 6)],
                         'Цена за 1 л, кг, п.е. в тенге':[parse_table_list[i] for i in range(3, len(parse_table_list), 6)],
                         'Общая сумма, в тенге':[parse_table_list[i] for i in range(4, len(parse_table_list), 6)],
                         'Оплата до': [parse_table_list[i] for i in range(5, len(parse_table_list), 6)],

                          }
    return parse_table_list

parse_files(directory)
parse_table_list = sorted_table(parse_table_list)
parse_total = pd.DataFrame(parse_table_list)

output = parse_total.merge(data_base, left_on='Наименование товара', right_on='Наименования товара')
del output['Наименования товара']
companies = output['Наименование компании'].unique()


with pd.ExcelWriter('D:\Новая папка\Итог.xlsx') as writer:
    for comp in companies:
        cur = output[output['Наименование компании'] == comp]
        del cur['Наименование компании']
        cur.to_excel(writer, sheet_name=comp)

print('Готово')

[Aset01]

Vindicar, кстати часть кода

if os.path.isfile(file) and filename.endswith('.docx') or filename.endswith('.doc'):

Фигня не работает с расширением .doc

[Aset01]

Vindicar, Ну а так вроде работает, парсит и сортирует

[Vindicar]

Aset01,

os.path.isfile(file) and filename.endswith('.docx') or filename.endswith('.doc')

Я бы скобки поставил. x and (y or z)

[Aset01]

Vindicar, Все равно ошибку выдает

[Vindicar]

Aset01, ошибку мне угадать надо? =)

[Aset01]

Vindicar, Извините

ValueError: file 'D:\Новая папка\№40 КХ Егоровское.doc' is not a Word file, content type is 'application/vnd.openxmlformats-officedocument.themeManager+xml'

[Vindicar]

Aset01, однако. А файл точно вордом открывается?

[Aset01]

Vindicar, данная библиотека не читает *. doc