如何使用Python扫描多种文档格式（CSV，文本，MS Word）的字符串？
问题..
假设您有一个目录，其中装有不同格式的文件，以搜索特定的关键字。
准备好..
安装以下软件包。
1.beautifulsoup4
2.python-docx
怎么做...
1.编写一个功能以搜索CSV格式的字符串。我将使用csv.reader模块遍历文件并搜索字符串，如果找到则返回True。
示例
def csv_stringsearch(input_file, input_string): """ 函数: 在 csv 文件中搜索字符串。 输入文件，输入字符串 """ with open(input_file) as file: for row in csv.reader(file): for column in row: if input_string in column.lower(): return True return False
2.搜索文本文件的功能。这有点棘手，因为我们需要处理编码。有成千上万种编码，确定编码格式可能是最困难的部分。当然，我们可以返回创建文本文件的用户，但是嘿，我们正在将其自动化。
因此，我们将使用UnicodeDammit确定编码。
示例
def text_stringsearch(input_file, input_string): """ 函数：在文本文件中搜索字符串。 args:输入文件，输入字符串 """ with open(filename, 'rb') as file: content = file.read(1024) guessencoding = UnicodeDammit(content) encoding = guessencoding.original_encoding #打开并读取 with open(input_file, encoding=encoding) as file: for line in file: if input_string in line.lower(): return True return False
3.用于在MSWord文档中搜索字符串的功能。
示例
def MSDocx_stringsearch(input_file, input_string): """ Function: search a string in MS Word documents. args: input file , input string """ doc = docx.Document(input_file) for paragraph in doc.paragraphs: if input_string in paragraph.text.lower(): return True return False
4.现在，我们需要有main函数来遍历文件，并使用字符串来调用相应的函数以进行搜索。在这里，我假设要搜索的代码和输入文件位于同一目录中。如果目录位于其他位置，则可以添加path参数。
示例
def main(input_string):
"""
函数：打开当前目录并在所有文件中搜索字符串
args:输入字符串
"""
for root, dirs, files in os.walk('.'):
for file in files:
# Get the file extension
extension = file.split('.')[-1]
if extension in function_maps:
search_file = function_maps.get(extension)
full_file_path = os.path.join(root, file)
if search_file(full_file_path, input_string):
print(f' *** Yeah String found in {full_file_path}')5.通过创建字典将我们的功能映射到文件扩展名。
示例
EXTENSIONS ={
'csv': csv_stringsearch,
'txt': text_stringsearch,
'docx': MSDocx_stringsearch,
}示例
6.全部放在一起。
import os
import argparse
import csv
import docx
from bs4 import UnicodeDammit
def csv_stringsearch(input_file, input_string):
"""
函数: 在 csv 文件中搜索字符串。
输入文件，输入字符串
"""
with open(input_file) as file:
for row in csv.reader(file):
for column in row:
if input_string in column.lower():
return True
return False
def MSDocx_stringsearch(input_file, input_string):
"""
Function: search a string in MS Word documents.
args: input file , input string
"""
doc = docx.Document(input_file)
for paragraph in doc.paragraphs:
if input_string in paragraph.text.lower():
return True
return False
def text_stringsearch(input_file, input_string):
"""
Function: search a string in text files.
args: input file , input string
"""
with open(input_file, 'rb') as file:
content = file.read(1024)
guessencoding = UnicodeDammit(content)
encoding = guessencoding.original_encoding
# Open and read
with open(input_file, encoding=encoding) as file:
for line in file:
if input_string in line.lower():
return True
return False
def main(input_string):
"""
Function: Open the current directory and search for a string in all the files
args: input string
"""
for root, dirs, files in os.walk('.'):
for file in files:
# Get the file extension
extension = file.split('.')[-1]
if extension in function_mapping:
search_file = function_mapping.get(extension)
full_file_path = os.path.join(root, file)
if search_file(full_file_path, input_string):
print(f' *** Yeah String found in {full_file_path}')
function_mapping = {
'csv': csv_stringsearch,
'txt': text_stringsearch,
'docx': MSDocx_stringsearch,
}
if __name__ == '__main__':
string_to_search = 'Hello'
print(f'Output \n')
main(string_to_search.lower())输出结果
*** Yeah String found in .\Hello_World.docx *** Yeah String found in .\My_Amazing_WordDoc.docx
7.如果要将程序更改为命令行执行，请使用argparse。
示例
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('-s', type=str, help='Input string to search', default='Hello')
args = parser.parse_args()
main(args.s.lower())