如何用python-docx按关键词分类遍历pandas新闻数据导出至Word

问题根源 #

当前导出逻辑逐行遍历数据框的每一条记录，每读到一篇文章就把对应关键词作为一级标题插入文档，自然会让同一个关键词在多篇关联文章前重复出现。要实现“关键词仅在分类顶部展示一次、下方排列所有关联文章”的效果，核心思路是先按关键词对数据分组，每个分类只插入一次标题，再遍历分组内的所有文章渲染内容。

核心实现代码（替换原有python-docx循环逻辑） #

from docx import Document

# 初始化文档
document = Document()
# 先按关键词排序，保证同分类的文章连续排列
df_sorted = df.sort_values(by='keyword', ignore_index=True)

# 按keyword字段分组，遍历每个分类
for keyword, article_group in df_sorted.groupby('keyword', sort=False):
    # 每个关键词仅执行一次：插入一级标题
    document.add_heading(keyword, level=1)
    # 遍历当前分类下的所有文章
    for _, article in article_group.iterrows():
        # 插入带下划线的文章标题
        title_paragraph = document.add_paragraph()
        title_paragraph.add_run(article['title']).underline = True
        # 以项目符号样式插入文章描述、链接、来源
        document.add_paragraph(article['desc'], style='List Bullet')
        document.add_paragraph(article['link'], style='List Bullet')
        document.add_paragraph(f"Source: {article['site']}", style='List Bullet')
    # 每个分类渲染完成后插入空段落，和下一个分类做视觉分隔
    document.add_paragraph()

# 保存文档
document.save("news_report.docx")

原代码的细节修正提示 #

• 原循环中出现的dfs['title'][i]属于变量名笔误，多写了后缀s，会触发键值错误，需要统一和数据框变量名保持一致
• 原抓取循环中使用的df_ivar.append(df)是pandas已废弃的写法，频繁在循环中拼接数据框会大幅降低运行效率，推荐用空列表收集所有抓取结果，最后统一用pd.concat拼接为完整数据框：

  # 优化后的抓取逻辑
  all_crawled_data = []
  keyword_list = ["你实际要抓取的关键词列表"]
  for kw in keyword_list:
      googlenews = GoogleNews()
      googlenews.get_news(kw)
      googlenews.set_lang('en')
      googlenews.set_period('1d')
      result = googlenews.result()
      df_ivar = pd.DataFrame(result)
      # 过滤24小时内的有效文章
      df_ivar = df_ivar[df_ivar['date'].notna()]
      df_ivar = df_ivar[df_ivar["date"].str.contains('hours ago')]
      df_ivar = df_ivar[['site', 'title', 'desc', 'link']]
      df_ivar['keyword'] = kw
      all_crawled_data.append(df_ivar)
  # 所有关键词抓取完成后统一生成最终数据框
  df = pd.concat(all_crawled_data, ignore_index=True)
  

内容的提问来源于stack exchange，提问作者therdawg