利用 Python 將 Word 試卷匹配轉換爲 Excel 表格
需求
有一個下面這種形式的 word 表格：
希望能轉換爲下面這種格式的 excel 表格：
測試 word 文檔讀取
先測試一個 word 文檔前 1 頁的數據讀取：
from docx import Document
doc = Document("編號02 質檢員高級技師（一級）理論試卷.docx")
for i, paragraph in enumerate(doc.paragraphs[:55]):
print(i, paragraph.text)0 職業能力評價理論試卷
1 （一級. 質檢員）
2 注意事項：1．答卷前將密封線內的項目填寫清楚。
3 2．填寫答案必須用藍色(或黑色)鋼筆、圓珠筆，不許用鉛筆或紅筆。
4 3．本份試卷共四道大題，滿分100分，考試時間120分鐘。
5 一、單項選擇題(第1～40題。選擇正確的答案，將相應的字母填入題內的括號中。每題1分，滿分40分。)
6 1. 關於道德的敘述，正確的是( )。
7 （A）道德中的“應該”與“不應該”因人而異，沒有共同道德標準
8 （B）道德是處理人與人之間、人與社會之間關係的特殊行爲規範
9 （C）道德是現代文明的產物
10 （D）道德從來沒有階級性
11 2.以下哪個選項不屬於遵守職業紀律( )。
12 （A）右側行駛 （B）客人先行 （C）先抑後揚 （D）下班鎖門
13 3. 國際標準化組織ISO9000：2000標準中，把質量定義爲一組（ ）特性滿足要求的程度。
14 （A）常量 （B）變量 （C） 流動 （D）固有
15 4. 軟件是有通過載體表達的信息所組成的（ ）產品。
16 （A）知識 （B）信息 （C）數據 （D）標準
17 5. （ ）是指由最高管理者正式發佈的與質量有關的組織總的意圖和方向。
18 （A）質量目標 （B）質量方針 （C）質量管理 （D）質量控制
19 6. ISO9000族當中，（ ）和八項管理原則一直是最核心的內容。
20 （A）PCDA模式 （B）PCDA循環 （C）PDCA模式 （D）PDCA循環
21 7.（ ）是第一家實施六西格瑪管理的公司。
22 （A）通用電氣 （B）摩托羅拉
23 （C）豐田 （D）微軟
24 8. 產生、形成、實現、使用和衰亡的過程，質量專家朱蘭稱質量形成的這種過程爲（ ）。
25 （A）質量螺旋 （B）質量週期 （C）產品螺旋 （D）產品週期
26 9. 計量值數據是指可以連續取值的數據，又稱( )數據。
27 （A）計量型 （B）連續型 （C）穩定型 （D）常規型
28 10. 國家標準當中強制性標準用( )指代含義。
29 （A）CCC （B）GB （C）GB/T （D）CCIB
30 11. 異常波動能引起系統性的（ ）。
31 （A）失誤或停滯 （B） 錯誤或中斷 （C） 失效或缺陷 （D） 失敗或終止
32 12.（ ）是判斷和預報生產過程中質量狀況是否發生波動的一種有效方法。
33 （A）分佈圖 （B） 質量圖 （C） 控制圖 （D） 控制界限
34 13. 過程能力一般採用標準差的6倍即6σ來量度，其計算公式爲（ ）。
35 （A）B=6σ≈6S=24（R/dn） （B）B=6σ≈6S=12（R/d₂）
36 （C）B=6σ≈6S=6（R/dn） （D）B=6σ≈6S=6（R/d₂）
37 14. 提高過程能力的重要途徑之一就是儘量減少σ,使質量特徵值的離散程度（ ）。
38 （A）變大 （B）變小 （C）平穩 （D）不變
39 15.( )亦稱頻數分佈圖，它適用於對大量計量值數數據進行整理加工，找出其統計規律。
40 （A）直方圖 （B）散佈圖
41 （C）排列圖 （D）控制圖
42 16. 因素在實驗中所處的狀態和條件變化可能引起指標變動，把因素變化各種狀態和條件成爲因素的（ ）。
43 （A）因子 （B）位級 （C）強度 （D）狀態
44 17. 1988年提出的一種確定客戶需求和相應產品或服務性能之間聯繫的圖示方法叫做（ ）。
45 （A）質量屋 （B）顧客需求 （C）技術要求 （D）關係矩陣
46 18. （ ）是指產品在存放和使用過程中，隨着時間的推移而直接影響產品質量特性穩定性的因素。
47 （A）外噪聲 （B）內噪聲 （C）隨機噪聲 （D）以上都不對·
48 19. （ ）是產品設計的核心，在系統設計確定了產品或系統的目的功能及結構之後進行。
49 （A）參數設計 （B）常量設計 （C）變量設計 （D）系統設計
50 20. 以下不屬於“雙五歸零”基本術語的是（ ）。
51 （A）質量問題 （B）質量缺陷
52 （C）重複性質量問題 （D）產品交付前的質量問題
53 21. 質量檢驗當中，( )可以保證工藝過程的質量符合性。
54 （A）進貨檢驗 （B）過程檢驗 （C）工藝檢驗 （D）最終檢驗從讀取效果上看，各行文本數據都能很順利的獲取到。
匹配題型、題目和具體的選項
現在我們需要做的是就是匹配題型、題目和具體的選項，觀察可以發現規律：
-
題型以大寫數字開頭
-
題目以普通數字 +. 開頭
-
選項以括號 + 字母開頭
❝
額外需要注意的：
開頭幾行文本也存在普通數字 +. 開頭的，需要直接排除。
第 7 題的題目，和第 19 題的選項存在一些特殊的空白字符需要排除，
括號和小數點都同時存在半角和全角兩種情況。
❞
對於需要注意的第二點：
查看一下這 2 處的空白字符：
doc.paragraphs[21].text'7.（\xa0\xa0）是第一家實施六西格瑪管理的公司。\xa0'doc.paragraphs[49].text'（A）參數設計 （B）常量設計\u3000 （C）變量設計\u3000\u3000 （D）系統設計'發現分別是 \ xa0 和 \ u3000。
整理好大致思路，我組織一下處理代碼：
import re
from docx import Document
doc = Document("編號02 質檢員高級技師（一級）理論試卷.docx")
black_char = re.compile("[\s\u3000\xa0]+")
chinese_nums_rule = re.compile("[一二三四]、(.+?)\(")
title_rule = re.compile("\d+.")
option_rule = re.compile("\([ABCDEF]\)")
option_rule_search = re.compile("\([ABCDEF]\)[^(]+")
# 從word文檔的“一、單項選擇題”開始遍歷數據
for paragraph in doc.paragraphs[5:25]:
# 去除空白字符,將全角字符轉半角字符，並給括號之間調整爲中間二個空格
line = black_char.sub("", paragraph.text).replace(
"（", "(").replace("）", ")").replace("．", ".").replace("()", "( )")
# 對於空白行就直接跳過
ifnot line:
continue
if title_rule.match(line):
print("題目", line)
elif option_rule.match(line):
print("選項", option_rule_search.findall(line))
else:
chinese_nums_match = chinese_nums_rule.match(line)
if chinese_nums_match:
print("題型", chinese_nums_match.group(1))題型 單項選擇題
題目 1.關於道德的敘述，正確的是( )。
選項 ['(A)道德中的“應該”與“不應該”因人而異，沒有共同道德標準']
選項 ['(B)道德是處理人與人之間、人與社會之間關係的特殊行爲規範']
選項 ['(C)道德是現代文明的產物']
選項 ['(D)道德從來沒有階級性']
題目 2.以下哪個選項不屬於遵守職業紀律( )。
選項 ['(A)右側行駛', '(B)客人先行', '(C)先抑後揚', '(D)下班鎖門']
題目 3.國際標準化組織ISO9000：2000標準中，把質量定義爲一組( )特性滿足要求的程度。
選項 ['(A)常量', '(B)變量', '(C)流動', '(D)固有']
題目 4.軟件是有通過載體表達的信息所組成的( )產品。
選項 ['(A)知識', '(B)信息', '(C)數據', '(D)標準']
題目 5.( )是指由最高管理者正式發佈的與質量有關的組織總的意圖和方向。
選項 ['(A)質量目標', '(B)質量方針', '(C)質量管理', '(D)質量控制']
題目 6.ISO9000族當中，( )和八項管理原則一直是最核心的內容。
選項 ['(A)PCDA模式', '(B)PCDA循環', '(C)PDCA模式', '(D)PDCA循環']
題目 7.( )是第一家實施六西格瑪管理的公司。
選項 ['(A)通用電氣', '(B)摩托羅拉']
選項 ['(C)豐田', '(D)微軟']
題目 8.產生、形成、實現、使用和衰亡的過程，質量專家朱蘭稱質量形成的這種過程爲( )。從目前測試結果來看沒有問題。
保存匹配到的數據到結構化字典
現在我打算將當前匹配出來的文本數據存儲成字典形式的結構化數據，字典結構的設計如下：
根據上述設計完善代碼：
import re
from docx import Document
from collections import OrderedDict
doc = Document("編號02 質檢員高級技師（一級）理論試卷.docx")
black_char = re.compile("[\s\u3000\xa0]+")
chinese_nums_rule = re.compile("[一二三四]、(.+?)\(")
title_rule = re.compile("\d+.")
option_rule = re.compile("\([ABCDEF]\)")
option_rule_search = re.compile("\([ABCDEF]\)[^(]+")
# 保存最終的結構化數據
question_type2data = OrderedDict()
# 從word文檔的“一、單項選擇題”開始遍歷數據
for paragraph in doc.paragraphs[5:]:
# 去除空白字符,將全角字符轉半角字符，並給括號之間調整爲中間一個空格
line = black_char.sub("", paragraph.text).replace(
"（", "(").replace("）", ")").replace("．", ".").replace("()", "( )")
# 對於空白行就直接跳過
ifnot line:
continue
if title_rule.match(line):
options = title2options.setdefault(line, [])
elif option_rule.match(line):
options.extend(option_rule_search.findall(line))
else:
chinese_nums_match = chinese_nums_rule.match(line)
if chinese_nums_match:
question_type = chinese_nums_match.group(1)
title2options = question_type2data.setdefault(question_type, OrderedDict())遍歷結構化字典並存儲
然後我們遍歷結構化字典，將數據保存到 pandas 對象中：
import pandas as pd
result = []
max_options_len = 0
for question_type, title2options in question_type2data.items():
for title, options in title2options.items():
result.append([question_type, title, *options])
options_len = len(options)
if options_len > max_options_len:
max_options_len = options_len
df = pd.DataFrame(result, columns=[
"題型", "題目"]+[f"選項{i}"for i in range(1, max_options_len+1)])
# 題型可以簡化下，去掉選擇兩個字
df['題型'] = df['題型'].str.replace("選擇", "")
df.head()結果：
最終保存結果：
df.to_excel("result.xlsx", index=False)完整代碼
最終完整代碼：
import pandas as pd
import re
from docx import Document
from collections import OrderedDict
doc = Document("編號02 質檢員高級技師（一級）理論試卷.docx")
black_char = re.compile("[\s\u3000\xa0]+")
chinese_nums_rule = re.compile("[一二三四]、(.+?)\(")
title_rule = re.compile("\d+.")
option_rule = re.compile("\([ABCDEF]\)")
option_rule_search = re.compile("\([ABCDEF]\)[^(]+")
# 保存最終的結構化數據
question_type2data = OrderedDict()
# 從word文檔的“一、單項選擇題”開始遍歷數據
for paragraph in doc.paragraphs[5:]:
# 去除空白字符,將全角字符轉半角字符，並給括號之間調整爲中間一個空格
line = black_char.sub("", paragraph.text).replace(
"（", "(").replace("）", ")").replace("．", ".").replace("()", "( )")
# 對於空白行就直接跳過
ifnot line:
continue
if title_rule.match(line):
options = title2options.setdefault(line, [])
elif option_rule.match(line):
options.extend(option_rule_search.findall(line))
else:
chinese_nums_match = chinese_nums_rule.match(line)
if chinese_nums_match:
question_type = chinese_nums_match.group(1)
title2options = question_type2data.setdefault(
question_type, OrderedDict())
result = []
max_options_len = 0
for question_type, title2options in question_type2data.items():
for title, options in title2options.items():
result.append([question_type, title, *options])
options_len = len(options)
if options_len > max_options_len:
max_options_len = options_len
df = pd.DataFrame(result, columns=[
"題型", "題目"]+[f"選項{i}"for i in range(1, max_options_len+1)])
# 題型可以簡化下，去掉選擇兩個字
df['題型'] = df['題型'].str.replace("選擇", "")
df.to_excel("result.xlsx", index=False)最終得到的文件：
本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/cIoA8iE0n1PstJ3af_F_ZA