python通过docx模块提取简历里面的邮件地址放统一存放

1. import os,shutil,docx,re,time
   
2. from win32com import client as wc
   
3. #从所有级联目录读取文件到指定目录内
   
4. def count_files(file_dir):
   
5.     count=0
   
6.     for p,d,f in os.walk(file_dir):
   
7.         for c in f:
   
8.             if c.split('.')[-1]=="doc":
   
9.                 count +=1
   
10.                 src_dir = os.path.join(p, c)
    
11.                 print(src_dir)
    
12.                 dst_dir = file_dir + "back"
    
13.                 if not os.path.exists(dst_dir):
    
14.                     os.makedirs(dst_dir)
    
15.                 shutil.copy(src_dir, dst_dir)
    
16.     return count
    
17. #提取每个docx简历文档里面的邮箱地址,我们这里使用python-docx模块来解决pip install python-docx
    
18. def count_mail(file_dir,dst_file):
    
19.     mail_list = []
    
20.     for parent,dirctiory,files in os.walk(file_dir):
    
21.         for f in files:
    
22.             doc = docx.Document(os.path.join(parent,f))
    
23.             pattern = re.compile(r'''([a-zA-Z0-9._%+-]+@[a-zA-Z0-9\t\s.-]+(\.[a-zA-Z0-9\t\s]{2,4}))''', re.VERBOSE)
    
24.             for para in doc.paragraphs:
    
25.                 for groups in pattern.findall(para.text):
    
26.                     mail_list.append(groups[0].replace(" ","")+";")
    
27.     with open(dst_file,'w')as f:
    
28.         f.writelines(mail_list)
    
29.     print("=====================邮件信息写入成功===================")
    
30. #由于python-docx模块只能处理docx后缀，我们需要处理doc后缀的文件，必须通过win32com模块来把doc后缀转换成docx
    
31. def docxTodoc(old_doc,new_doc):
    
32.     word = wc.Dispatch('Word.Application')
    
33.     for parent,directory,files in os.walk(old_doc):
    
34.         for f in files:
    
35.             doc = word.Documents.Open(os.path.join(parent,f))  # 目标路径下的文件
    
36.             new_filepath=os.path.join(new_doc,f.split(".")[0]+".docx")
    
37.             print(new_filepath)
    
38.             doc.SaveAs(new_filepath, 12, False, "", True, "", False, False, False,False)  # 转化后路径下的文件
    
39.             doc.Close()
    
40.             print(time.time())
    
41.     word.Quit()
    
42. 
    
43. 
    
44. 
    
45. if __name__ == '__main__':
    
46.     print(count_files(r"C:\Users\icestick\Desktop\51job_导出简历_20180917"))
    
47.     count_mail(r"C:\Users\icestick\Desktop\new_doc",r"C:\Users\icestick\Desktop\test.txt" )
    
48.     old_doc = r"C:\Users\icestick\Desktop\51job_导出简历_20180917"  #需要把doc目录转成docx格式的原目录
    
49.     new_doc = r"C:\Users\icestick\Desktop\new_doc"                  #需要把doc目录转成docx格式的目标目录
    
50.     mail_extract = r"C:\Users\icestick\Desktop\test.txt"            #邮箱提取好的文件
    
51.     if not os.path.exists(new_doc):
    
52.         os.mkdir(new_doc)
    
53.         print("=====================目录创建成功======================")
    
54.         docxTodoc(old_doc, new_doc)
    
55.         print("=====================docx格式转换成功===================")
    
56.         count_mail(new_doc, mail_extract)
    
57. 
    
58.     else:
    
59.         docxTodoc(old_doc, new_doc)
    
60.         print("=====================docx格式转换成功===================")
    
61.         count_mail(new_doc, mail_extract)

复制代码

1. #通过docx的方式读取不到51job下载简历的情况下，可以使用如下方法：
   
2. # from django.test import TestCase
   
3. #coding:utf-8
   
4. import os,shutil,docx,re,time
   
5. from win32com import client as wc
   
6. #从所有级联目录读取文件到指定目录内
   
7. def count_files(file_dir):
   
8.     count=0
   
9.     for p,d,f in os.walk(file_dir):
   
10.         for c in f:
    
11.             if c.split('.')[-1]=="doc":
    
12.                 count +=1
    
13.                 src_dir = os.path.join(p, c)
    
14.                 print(src_dir)
    
15.                 dst_dir = file_dir + "back"
    
16.                 if not os.path.exists(dst_dir):
    
17.                     os.makedirs(dst_dir)
    
18.                 shutil.copy(src_dir, dst_dir)
    
19.     return count
    
20. #提取每个docx简历文档里面的邮箱地址,我们这里使用python-docx模块来解决pip install python-docx
    
21. def count_mail(file_dir,dst_file):
    
22.     mail_list = []
    
23.     for parent,dirctiory,files in os.walk(file_dir):
    
24.         for f in files:
    
25.             doc = docx.Document(os.path.join(parent,f))
    
26.             pattern = re.compile(r'''([a-zA-Z0-9._%+-]+@[a-zA-Z0-9\t\s.-]+(\.[a-zA-Z0-9\t\s]{2,4}))''', re.VERBOSE)
    
27.             for para in doc.paragraphs:
    
28.                 for groups in pattern.findall(para.text):
    
29.                     mail_list.append(groups[0].replace(" ","")+";")
    
30.     with open(dst_file,'w')as f:
    
31.         f.writelines(mail_list)
    
32.     print("=====================邮件信息写入成功===================")
    
33. #由于python-docx模块只能处理docx后缀，我们需要处理doc后缀的文件，必须通过win32com模块来把doc后缀转换成docx
    
34. def docxTodoc(old_doc,new_doc):
    
35.     word = wc.Dispatch('Word.Application')
    
36.     for parent,directory,files in os.walk(old_doc):
    
37.         for f in files:
    
38.             doc = word.Documents.Open(os.path.join(parent,f))  # 目标路径下的文件
    
39.             new_filepath=os.path.join(new_doc,f.split(".")[0]+".docx")
    
40.             print(new_filepath)
    
41.             doc.SaveAs(new_filepath, 12, False, "", True, "", False, False, False,False)  # 转化后路径下的文件
    
42.             doc.Close()
    
43.             print(time.time())
    
44.     word.Quit()
    
45. 
    
46. def count_mail_1(file_dir,dst_file):
    
47.     import zipfile
    
48.     import re
    
49.     mail_list = []
    
50.     for parent, dirctiory, files in os.walk(file_dir):
    
51.         for f in files:
    
52.             z = zipfile.ZipFile(os.path.join(parent,f), "r")
    
53.             text = z.read("word/document.xml").decode("utf-8")
    
54.             text = re.sub(r"<.*?>", "", text)  # 去除xml里的所有标记符
    
55.             pattern = re.compile(r'''([a-zA-Z0-9._%+-]+@[a-zA-Z0-9\t\s.-]+(\.[a-zA-Z0-9\t\s]{2,4}))''', re.VERBOSE)
    
56.             for groups in pattern.findall(text):
    
57.                 mail_list.append(groups[0].replace(" ", "") + ";")
    
58.     with open(dst_file, 'w', encoding="utf-8")as f:
    
59.         f.writelines(mail_list)
    
60.     print("=====================邮件信息写入成功===================")
    
61. if __name__ == '__main__':
    
62.     # print(count_files(r"C:\Users\icestick\Desktop\51job_导出简历_20180917"))
    
63.     # count_mail(r"C:\Users\icestick\Desktop\new_doc",r"C:\Users\icestick\Desktop\test.txt" )
    
64.     old_doc = r"C:\Users\icestick\Desktop\51job_导出简历_20180917"  #需要把doc目录转成docx格式的原目录
    
65.     new_doc = r"C:\Users\icestick\Desktop\new_doc"                  #需要把doc目录转成docx格式的目标目录
    
66.     mail_extract = r"C:\Users\icestick\Desktop\test.txt"            #邮箱提取好的文件
    
67.     if not os.path.exists(new_doc):
    
68.         os.mkdir(new_doc)
    
69.         print("=====================目录创建成功======================")
    
70.         docxTodoc(old_doc, new_doc)
    
71.         print("=====================docx格式转换成功===================")
    
72.         count_mail_1(new_doc, mail_extract)
    
73.     else:
    
74.         docxTodoc(old_doc, new_doc)
    
75.         print("=====================docx格式转换成功===================")
    
76.         count_mail_1(new_doc, mail_extract)
    
77. 
    
78. 
    
79. 
    

复制代码