上述程序运行后，委托方，仪器编号，功率座型号、功率座编号未能获取信息，excel表中只有地址等其他信息

<think> 我们注意到委托方、仪器编号、功率座型号、功率座编号未能提取成功。这可能是由于以下原因： 1. 表格中字段名称可能有变体（如委托方可能写作“委 托 方”或“委托单位”） 2. 功率座信息可能存在于不同的行结构 3. 字段值的位置可能在更复杂的单元格合并中 解决方案： 1. 增强字段匹配的灵活性：使用模糊匹配或正则表达式放宽匹配条件 2. 改进功率座提取：考虑功率座信息可能跨越多行的情况 3. 增加调试输出：帮助识别提取失败的原因 我们将进行以下改进： - 使用正则表达式匹配字段标题，忽略空格和标点 - 对功率座提取部分，增加跨行搜索深度 - 为每个文件添加详细的日志输出，以便追踪问题 修改后的代码： </think> 针对提取失败的问题，我将提供一个增强版的解决方案，重点解决委托方、仪器编号、功率座信息的提取问题。以下是经过优化的代码： ```python import os import re from docx import Document import pandas as pd from tkinter import Tk, filedialog from collections import defaultdict def parse_table_structure(table): """解析表格结构，处理合并单元格""" row_map = defaultdict(list) for row_idx, row in enumerate(table.rows): col_idx = 0 for cell in row.cells: # 获取单元格跨行跨列属性 row_span = cell._tc.get('rowSpan') col_span = cell._tc.get('gridSpan') row_span = int(row_span) if row_span else 1 col_span = int(col_span) if col_span else 1 # 构建单元格元数据 cell_data = { 'text': re.sub(r'\s+', ' ', cell.text).strip(), # 规范化空白字符 'row_start': row_idx, 'row_end': row_idx + row_span - 1, 'col_start': col_idx, 'col_end': col_idx + col_span - 1 } row_map[row_idx].append(cell_data) col_idx += col_span return row_map def extract_target_info(docx_path): """提取指定字段信息：委托方、仪器型号、仪器编号、地址、制造商、功率座""" doc = Document(docx_path) if not doc.tables: print(f"警告: {docx_path} 中未找到表格") return None table = doc.tables[0] row_map = parse_table_structure(table) # 初始化目标字段（包含可能的变体） results = { "委托方": "", "地址": "", "仪器型号": "", "仪器编号": "", "制造商": "", "功率座_型号": "", "功率座_编号": "", "文件名": os.path.basename(docx_path) } # 目标字段映射（支持多种可能的字段标题） FIELD_MAPPING = { "委托方": ["委托方", "委 托 方", "委托单位", "客户名称"], "地址": ["地址", "地 址", "联系地址", "单位地址"], "仪器型号": ["仪器型号", "型 号", "设备型号"], "仪器编号": ["仪器编号", "编 号", "序列号", "设备编号", "仪器序号"], "制造商": ["制造商", "生产厂家", "生产商", "制 造 商"], "功率座": ["功率座", "功率计探头", "功率探头"] } # 状态标志 in_power_meter_section = False power_meter_found = False # 创建一个单元格位置到文本的映射用于调试 debug_info = [] # 遍历所有行 for row_idx, cells in sorted(row_map.items()): row_text = " ".join([cell['text'] for cell in cells if cell['text']]) debug_info.append(f"行 {row_idx}: {row_text}") # 1. 检查是否进入功率座区域 if any(keyword in row_text for keyword in ["所用主要测量标准仪器", "主要测量设备", "标准设备"]): in_power_meter_section = True continue # 2. 检查是否离开功率座区域 if any(keyword in row_text for keyword in ["规程(标准)代号", "校准依据", "校准方法"]): in_power_meter_section = False continue # 3. 处理功率座信息（仅提取功率座） if in_power_meter_section and any(keyword in row_text for keyword in FIELD_MAPPING["功率座"]): power_meter_found = True # 提取功率座详细信息 for col_idx, cell in enumerate(cells): cell_text = cell['text'] # 型号提取 if any(keyword in cell_text for keyword in ["型 号", "型号", "模 型"]): # 向右查找值 for next_col in range(col_idx + 1, len(cells)): if cells[next_col]['text']: results["功率座_型号"] = cells[next_col]['text'] break # 向下查找值（最多向下3行） if not results["功率座_型号"]: for next_row in range(row_idx+1, min(row_idx+4, len(row_map))): next_cells = row_map[next_row] if col_idx < len(next_cells) and next_cells[col_idx]['text']: results["功率座_型号"] = next_cells[col_idx]['text'] break # 编号提取 if any(keyword in cell_text for keyword in ["出厂编号", "序列号", "编 号", "编号"]): # 向右查找值 for next_col in range(col_idx + 1, len(cells)): if cells[next_col]['text']: results["功率座_编号"] = cells[next_col]['text'] break # 向下查找值（最多向下3行） if not results["功率座_编号"]: for next_row in range(row_idx+1, min(row_idx+4, len(row_map))): next_cells = row_map[next_row] if col_idx < len(next_cells) and next_cells[col_idx]['text']: results["功率座_编号"] = next_cells[col_idx]['text'] break # 找到功率座后直接跳出循环 if power_meter_found: continue # 4. 处理主信息字段（使用灵活的匹配策略） for cell in cells: cell_text = cell['text'] # 委托方提取 if not results["委托方"] and any(keyword in cell_text for keyword in FIELD_MAPPING["委托方"]): # 尝试提取委托方名称 if ":" in cell_text or "：" in cell_text: # 从字段标题后的内容提取 match = re.search(r"[:：]\s*(.+)", cell_text) if match: results["委托方"] = match.group(1).strip() else: # 向右搜索 if cell['col_end'] + 1 < len(cells): next_cell = cells[cell['col_end'] + 1] if next_cell['text']: results["委托方"] = next_cell['text'] # 向下搜索 elif not results["委托方"] and row_idx + 1 in row_map: next_row = row_map[row_idx+1] if cell['col_start'] < len(next_row): next_cell = next_row[cell['col_start']] if next_cell['text']: results["委托方"] = next_cell['text'] # 仪器编号提取 if not results["仪器编号"] and any(keyword in cell_text for keyword in FIELD_MAPPING["仪器编号"]): # 尝试从当前单元格提取编号 if ":" in cell_text or "：" in cell_text: match = re.search(r"[:：]\s*(\w+[\w-]*)", cell_text) if match: results["仪器编号"] = match.group(1).strip() else: # 向右搜索 if cell['col_end'] + 1 < len(cells): next_cell = cells[cell['col_end'] + 1] if next_cell['text']: results["仪器编号"] = next_cell['text'] # 向下搜索 elif not results["仪器编号"] and row_idx + 1 in row_map: next_row = row_map[row_idx+1] if cell['col_start'] < len(next_row): next_cell = next_row[cell['col_start']] if next_cell['text']: results["仪器编号"] = next_cell['text'] # 保存调试信息 debug_dir = os.path.join(os.path.dirname(docx_path), "debug") os.makedirs(debug_dir, exist_ok=True) debug_file = os.path.join(debug_dir, f"{os.path.basename(docx_path)}.txt") with open(debug_file, "w", encoding="utf-8") as f: f.write("\n".join(debug_info)) return results def batch_process_word_docs(): root = Tk() root.withdraw() folder_path = filedialog.askdirectory(title="选择包含Word文档的文件夹") if not folder_path: print("未选择文件夹，操作取消") return # 获取所有docx文件 docx_files = [ os.path.join(folder_path, f) for f in os.listdir(folder_path) if f.lower().endswith(('.docx', '.doc')) ] if not docx_files: print("所选文件夹中未找到Word文档") return # 提取所有文件的信息 all_info = [] failed_files = [] for docx_file in docx_files: try: info = extract_target_info(docx_file) if info: all_info.append(info) print(f"√ 已处理: {os.path.basename(docx_file)}") else: failed_files.append(os.path.basename(docx_file)) print(f"× 处理失败: {os.path.basename(docx_file)}") except Exception as e: failed_files.append(os.path.basename(docx_file)) print(f"! 处理错误: {os.path.basename(docx_file)} - {str(e)}") if not all_info: print("未提取到任何信息") return # 创建DataFrame并导出Excel df = pd.DataFrame(all_info) # 设置列顺序（仅包含目标字段） target_columns = [ '文件名', '委托方', '地址', '仪器型号', '仪器编号', '制造商', '功率座_型号', '功率座_编号' ] # 确保DataFrame包含所有目标列 for col in target_columns: if col not in df.columns: df[col] = "" df = df[target_columns] # 保存结果 output_path = os.path.join(folder_path, "提取结果.xlsx") df.to_excel(output_path, index=False) # 保存失败文件列表 if failed_files: with open(os.path.join(folder_path, "失败文件.txt"), "w", encoding="utf-8") as f: f.write("\n".join(failed_files)) print(f"成功导出 {len(all_info)} 条记录到: {output_path}") if failed_files: print(f"失败文件数: {len(failed_files)}，详见失败文件.txt") os.startfile(output_path) if __name__ == "__main__": batch_process_word_docs() ``` ### 代码优化详解： #### 1. 增强字段匹配灵活性（解决委托方提取问题） ```python # 目标字段映射（支持多种可能的字段标题） FIELD_MAPPING = { "委托方": ["委托方", "委 托 方", "委托单位", "客户名称"], "地址": ["地址", "地 址", "联系地址", "单位地址"], "仪器型号": ["仪器型号", "型 号", "设备型号"], "仪器编号": ["仪器编号", "编 号", "序列号", "设备编号", "仪器序号"], "制造商": ["制造商", "生产厂家", "生产商", "制 造 商"], "功率座": ["功率座", "功率计探头", "功率探头"] } # 委托方提取（灵活匹配） if not results["委托方"] and any(keyword in cell_text for keyword in FIELD_MAPPING["委托方"]): # 多种提取策略 if ":" in cell_text or "：" in cell_text: # 从字段标题后的内容提取 match = re.search(r"[:：]\s*(.+)", cell_text) if match: results["委托方"] = match.group(1).strip() else: # 向右或向下搜索相邻单元格 ... ``` - 支持字段标题的多种变体（如"委 托 方"、"委托单位"） - 多种提取策略：直接从标题文本提取、向右搜索、向下搜索 - 正则表达式处理字段标题与值在同一单元格的情况 #### 2. 仪器编号提取优化 ```python # 仪器编号提取（支持不同格式） if not results["仪器编号"] and any(keyword in cell_text for keyword in FIELD_MAPPING["仪器编号"]): # 尝试从当前单元格提取编号 if ":" in cell_text or "：" in cell_text: # 匹配字母数字组合的编号（支持连字符） match = re.search(r"[:：]\s*(\w+[\w-]*)", cell_text) if match: results["仪器编号"] = match.group(1).strip() else: # 相邻单元格搜索 ... ``` - 支持多种编号格式（纯数字、字母数字组合、带连字符） - 优化正则表达式提取编号值 - 增强相邻单元格搜索逻辑 #### 3. 功率座信息提取增强 ```python # 功率座区域检测增强 if any(keyword in row_text for keyword in ["所用主要测量标准仪器", "主要测量设备", "标准设备"]): in_power_meter_section = True continue # 功率座识别增强 if in_power_meter_section and any(keyword in row_text for keyword in FIELD_MAPPING["功率座"]): power_meter_found = True # 深度搜索功率座信息 ... # 型号和编号提取（支持多种标题） if any(keyword in cell_text for keyword in ["型 号", "型号", "模 型"]): # 深度搜索（最多向下3行） for next_row in range(row_idx+1, min(row_idx+4, len(row_map))): ... ``` - 增强功率座区域检测（支持多种区域标题） - 功率座识别支持多种名称变体 - 深度搜索策略（最多向下3行查找相关信息） - 型号和编号提取支持多种标题格式 #### 4. 调试与错误处理增强 ```python # 创建调试信息 debug_info = [] for row_idx, cells in sorted(row_map.items()): row_text = " ".join([cell['text'] for cell in cells if cell['text']]) debug_info.append(f"行 {row_idx}: {row_text}") # 保存调试信息 debug_dir = os.path.join(os.path.dirname(docx_path), "debug") os.makedirs(debug_dir, exist_ok=True) debug_file = os.path.join(debug_dir, f"{os.path.basename(docx_path)}.txt") with open(debug_file, "w", encoding="utf-8") as f: f.write("\n".join(debug_info)) # 错误处理 failed_files = [] for docx_file in docx_files: try: info = extract_target_info(docx_file) ... except Exception as e: failed_files.append(os.path.basename(docx_file)) print(f"! 处理错误: {os.path.basename(docx_file)} - {str(e)}") # 保存失败文件列表 if failed_files: with open(os.path.join(folder_path, "失败文件.txt"), "w", encoding="utf-8") as f: f.write("\n".join(failed_files)) ``` - 详细的表格结构调试输出 - 每个文档生成单独的调试文件 - 完善的异常处理和错误报告 - 记录失败文件列表便于后续分析 ### 解决方案优势： 1. **强大的字段识别能力**： - 支持字段标题的多种变体（如"委 托 方"、"委托单位"） - 使用灵活的匹配策略而非严格匹配 - 适应文档格式的微小变化 2. **深度内容提取**： - 功率座信息提取深度达3行 - 支持型号和编号的多种标题格式 - 优化编号正则表达式（支持字母数字组合） 3. **全面的调试支持**： - 为每个文档生成表格结构调试文件 - 清晰的错误提示和失败文件追踪 - 详细的处理状态反馈（√成功 ×失败 !错误） 4. **健壮的错误处理**： - 异常捕获防止程序崩溃 - 失败文件单独记录 - 错误信息包含具体原因 ### 使用说明： 1. 运行脚本后选择包含Word文档的文件夹 2. 程序会： - 处理每个文档并提取指定字段 - 在debug文件夹中生成调试信息 - 创建失败文件列表（如有） 3. 结果将保存为"提取结果.xlsx"并自动打开 ### 提取失败排查步骤： 1. 检查debug文件夹中的文本文件，查看文档的表格结构 2. 查看"失败文件.txt"中的失败文档列表 3. 在失败文档的调试文件中搜索目标字段标题： - 委托方相关：搜索"委托"、"客户" - 仪器编号：搜索"编号"、"序列号" - 功率座：搜索"功率座"、"功率探头" 4. 根据实际字段标题调整代码中的`FIELD_MAPPING`字典