使用正则表达式从Word文件提取数据并映射至DataFrame的问题

看起来你遇到的两个问题都挺典型的——交易与公司无法关联是因为你把所有文件的文本合并后全局提取，破坏了单文件内的公司-交易对应关系；正则匹配异常则是因为依赖固定换行、没处理好带冒号的字段格式。我来给你一步步解决：

核心问题分析 #

1. 关联失效：你把所有docx的文本拼在一起后提取公司名和交易数据，相当于把所有公司的交易混在了一起，自然没法对应上哪家公司对应哪些交易。正确的做法应该是逐个处理每个文件，因为每个文件对应一家公司的多条交易。
2. 正则问题：原正则里的\n\n是硬编码的换行，但Word转文本后的换行/空格可能不稳定；另外Value (USD)*(.*?)没有处理冒号（比如实际字段可能是Value (USD):），导致匹配不到正确内容。

修复后的完整代码 #

import docx2txt
import re
import glob
import pandas as pd

# 初始化存储所有记录的列表
all_records = []

# 遍历每个Word文件
for file_path in glob.glob('D:/Projects/Word reader/*.docx'):
    # 提取当前文件的纯文本
    file_text = docx2txt.process(file_path)
    
    # 1. 提取当前文件对应的公司名（处理灵活的空格/换行）
    company_match = re.search(r'Firm name:\s*(.*?)\s*Location', file_text, re.DOTALL)
    if not company_match:
        print(f"⚠️  警告：文件{file_path}中未找到公司名，已跳过")
        continue
    company_name = company_match.group(1).strip()
    
    # 2. 提取当前文件内的所有交易记录（匹配每个交易块）
    # 假设交易块结构为：Deal name: xxx → ... → Value (USD): xxx → Client: xxx
    deal_pattern = re.compile(
        r'Deal name:\s*(.*?)\s*Date:\s*.*?\s*Value \(USD\):\s*(.*?)\s*Client:',
        re.DOTALL
    )
    for deal_match in deal_pattern.finditer(file_text):
        deal_name = deal_match.group(1).strip()
        deal_value = deal_match.group(2).strip()
        
        # 处理无交易值的情况
        if not deal_value:
            deal_value = "No Data"
        
        # 将当前交易与所属公司绑定，添加到记录列表
        all_records.append({
            "Company Name": company_name,
            "Deal Name": deal_name,
            "Deal Value": deal_value
        })

# 转换为你需要的DataFrame格式
df = pd.DataFrame(all_records)
print(df)

代码关键改进点 #

• 逐个文件处理：每个文件对应一家公司，提取完公司名后，再在该文件内提取所有交易，确保交易和公司一一绑定。
• 灵活的正则匹配：
  • 用\s*替代固定的\n\n，适配Word转文本后可能出现的任意空格/换行。
  • 明确匹配Value (USD):里的冒号，避免因字段格式导致的匹配失败。
  • 使用re.DOTALL让.匹配换行符，确保能跨行提取交易块内容。
• 异常处理：如果某个文件找不到公司名，会给出警告并跳过，避免程序崩溃。

额外优化建议 #

• 如果交易块的字段顺序不固定（比如有的文件里Value在Date前面），可以拆分正则，先找到所有Deal name的位置，再逐个提取对应的Value。
• 可以添加对.doc文件的支持（比如使用textract库替代docx2txt）。
• 若交易数量较多，可以添加进度提示，方便跟踪处理状态。

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