Python批量读取docx文件提取指定关键词并生成DataFrame或表格

所需依赖 #

先安装必要的Python库：

pip install python-docx pandas

实现步骤与代码 #

下面是完整的实现代码，能遍历指定文件夹下的所有.docx文件，搜索目标关键词并生成结构化的DataFrame（或导出为表格文件）：

import os
from docx import Document
import pandas as pd

# 配置参数
folder_path = "./docx_files"  # 替换为你的Word文档所在文件夹路径
target_keyword = "laptop"
case_sensitive = False  # 设置为True则区分大小写

# 初始化结果存储列表
results = []

# 遍历文件夹中的所有docx文件
for filename in os.listdir(folder_path):
    if filename.endswith(".docx"):
        file_path = os.path.join(folder_path, filename)
        try:
            # 读取Word文档内容
            doc = Document(file_path)
            full_text = "\n".join([para.text for para in doc.paragraphs])
            
            # 判断是否包含关键词
            if case_sensitive:
                has_keyword = target_keyword in full_text
            else:
                has_keyword = target_keyword.lower() in full_text.lower()
            
            # 如果包含关键词，添加到结果列表
            if has_keyword:
                results.append({"FileName": filename, "Keyword": f'"{target_keyword}"'})
        except Exception as e:
            print(f"处理文件 {filename} 时出错: {str(e)}")

# 转换为DataFrame
result_df = pd.DataFrame(results)

# 打印结果
print(result_df)

# 可选：导出为Excel表格
# result_df.to_excel("keyword_search_results.xlsx", index=False)

关键说明 #

• 大小写处理：通过case_sensitive参数控制是否区分关键词的大小写，默认不区分，适配类似"Laptop"、"LAPTOP"的情况。
• 错误处理：添加了异常捕获，避免单个文件读取失败导致整个程序终止。
• 扩展功能：如果需要遍历子文件夹中的文档，可以将os.listdir替换为os.walk，遍历所有层级的文件。
• 结果导出：取消代码中最后一行的注释，即可将结果导出为Excel文件，方便后续分析。

内容的提问来源于stack exchange，提问作者Alice jinx