如何使用Python从Word申请表提取字段数据至DataFrame

适用库推荐 #

• python-docx：专门处理.docx格式Word文档，能读取文本、内容控件等元素
• pandas：用于创建和操作DataFrame，是处理结构化数据的必备工具

先执行安装命令：

pip install python-docx pandas

情况1：结构化Word表单（带内容控件） #

如果申请表是用Word内置的内容控件（文本框、下拉选择框等）制作的，直接读取控件值即可，这种方式最准确。

代码实现 #

import docx
import pandas as pd

def extract_structured_form(doc_path):
    doc = docx.Document(doc_path)
    form_data = {}
    # 遍历所有内容控件，匹配目标字段
    for control in doc.content_control_elements:
        target_fields = ["Name", "Designation", "Annual Salary"]
        if control.title in target_fields:
            form_data[control.title] = control.text
    # 转换为DataFrame
    return pd.DataFrame([form_data])

# 调用示例
result_df = extract_structured_form("application_form.docx")
print(result_df)
# 通过字段键调用值：print(result_df["Name"][0])

情况2：普通文本格式申请表 #

如果申请表是纯文本排版（比如字段和值以字段名: 内容的形式存在，例如Name: John Doe），可以用正则表达式匹配提取。

代码实现 #

import docx
import pandas as pd
import re

def extract_text_based_form(doc_path):
    doc = docx.Document(doc_path)
    # 提取文档所有文本
    full_text = "\n".join([para.text for para in doc.paragraphs])
    # 定义字段匹配规则，根据你的表单格式调整
    field_rules = {
        "Name": r"Name:\s*(.*)",
        "Designation": r"Designation:\s*(.*)",
        "Annual Salary": r"Annual Salary:\s*(.*)"
    }
    form_data = {}
    for field, pattern in field_rules.items():
        match = re.search(pattern, full_text)
        form_data[field] = match.group(1).strip() if match else None
    # 转换为DataFrame
    return pd.DataFrame([form_data])

# 调用示例
result_df = extract_text_based_form("application_form.docx")
print(result_df)
# 调用字段值：print(result_df["Annual Salary"][0])

额外注意事项 #

• 若你处理的是旧版.doc格式文档，python-docx不支持，建议先将文件批量转成.docx格式，或在Windows环境下使用pywin32库处理
• 正则表达式需根据表单实际排版调整，比如中文表单可能用全角冒号：，要对应修改规则里的符号
• 若需处理多个申请表，可循环遍历文件列表，将每个表单的数据存入列表，最后统一转换为DataFrame

内容的提问来源于stack exchange，提问作者user15904369