你是否遇到过这样的场景： 老板发给你一个文件夹，里面装了几百份格式类似的 Word 文档（比如简历、报名表、调查问卷），让你把里面的“姓名”、“电话”、“毕业学校”等信息一个一个复制粘贴到 Excel 表格里汇总？
如果手动做，不仅眼睛都要看瞎，而且极其容易出错。作为一名 Python 开发者，这种重复性劳动是绝对不能忍受的！
于是，我利用 Python 的 PyQt + pandas + python-docx 开发了一个带图形界面的自动化工具，能够自动遍历文件夹，识别 Word 表格内容，甚至支持 PDF 和老旧的 .doc 格式，最终一键生成 Excel 汇总表。
今天将源码分享给大家，希望能帮大家从繁琐的 Ctrl+C/V 中解脱出来。
项目开源地址：https://github.com/xy200303/automatic-word-summary （欢迎 Star ⭐ 支持一下！）
这个工具主要解决了以下几个痛点：
- 批量处理：支持选择文件夹，自动递归查找所有文件。
- 格式兼容：
- 原生支持
.docx。 - 自动将
.doc转换为.docx（基于 pywin32）。 - 自动将
.pdf转换为.docx（基于 pdf2docx）。
- 原生支持
- 自定义提取：你只需要输入你想提取的字段（如：姓名,电话,邮箱），程序会自动在 Word 表格中查找对应的值。
- 图形界面：基于 PyQt 编写了 GUI，不懂代码的同事也能直接使用。
- 结果导出：处理完成后自动生成带时间戳的
.xlsx文件。
- 界面 (UI): PyQt6 / PyQt5
- Word处理: python-docx (用于读取表格数据)
- PDF转Word: pdf2docx
- Doc转Docx: pywin32 (调用 Word 底层 COM 接口)
- 数据汇总: pandas
- 用户输入：选择文件夹 + 输入关键词（如“姓名”）。
- 文件预处理：如果是 PDF 或 .doc，先转换为 .docx。
- 读取内容：利用
python-docx读取文档中的所有表格，将其展平为一个列表。 - 关键词匹配：在列表中找到包含“姓名”的单元格，取其下一个非空单元格作为数据。
- 导出：使用 pandas 将字典列表写入 Excel。
这是最关键的一步。由于 Word 排版复杂，我们统一将所有表格的内容读取出来，按顺序存入一个列表，这样就将二维的表格降维成了一维的线性数据，方便查找。
from docx import Document
def word_tables_to_list(file_path):
"""
读取 docx 中的所有表格，并将其展平为列表
"""
doc = Document(file_path)
cells = []
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
text = cell.text.strip()
# 简单清洗数据
text = text.replace("\n", "").replace(" ", "")
cells.append(text)
return cells获取到列表后，如何提取数据？这里采用了一个简单的逻辑：查找 Key，取 Key 后面紧邻的 Value。
def get_info_from_cells(cells, keys_dict):
"""
cells: 文档所有内容的列表
keys_dict: 用户输入的关键词列表，如 ['姓名', '电话']
"""
info = {}
for k in keys_dict:
# 默认该字段为空
info[k] = ""
try:
# 在列表中找到关键词的位置
if k in cells:
k_index = cells.index(k)
# 取关键词的下一个位置作为值
# 这里的逻辑可以根据实际表格结构调整，比如 +2 或者 +3
value = cells[k_index + 1]
info[k] = value
except Exception as e:
print(f"提取 {k} 失败: {e}")
return info为了支持 PDF 简历，我们集成了 pdf2docx 库：
from pdf2docx import Converter
def TransPdfToDocx(file_path, out_file):
cv = Converter(file_path)
cv.convert(out_file)
cv.close()在 PyQt 的主线程中，我们串联起所有逻辑：
# 伪代码逻辑演示
def ok(self):
# 1. 获取用户输入的关键词
keys_dict = self.getInput_Key_dict()
res = []
# 2. 遍历文件列表
for file in self.word_file_list:
# 3. 提取表格内容
cells = word_tables_to_list(file)
# 4. 匹配数据
info = get_info_from_cells(cells, keys_dict)
res.append(info)
# 5. 导出 Excel
if res:
data = pd.DataFrame(res)
data.to_excel("output.xlsx", index=False)如果你想直接运行代码，请按照以下步骤操作：
git clone https://github.com/xy200303/automatic-word-summary
cd automatic-word-summary请确保你的 Python 环境安装了以下库（建议使用国内源）：
pip install pandas python-docx pdf2docx pywin32 PyQt6 openpyxl -i https://pypi.tuna.tsinghua.edu.cn/simple注意：如果你要修改界面，还需要安装 pyqt6-tools。
python Main.py- 点击 “选取文件夹”，选择包含简历/报名表的目录。
- 在 “提取字段” 输入框中，输入你想提取的表头名称，用逗号隔开。
- 例如：
姓名,性别,出生年月,毕业院校,联系电话
- 例如：
- 点击 “开始处理”。
- 等待日志滚动完毕，在原文件夹下的
output目录中即可找到汇总好的 Excel 表格。
这个脚本虽然简单，但解决的是实实在在的痛点。特别是在处理格式固定的政务表单、学校报名表时，效率提升是数量级的。
未来优化方向：
- 目前是取 Key 的下一个单元格，对于复杂的合并单元格表格，可能需要优化查找逻辑（比如根据坐标查找）。
- 可以加入多线程处理，加快 PDF 转换的速度。
- 利用正则表达式对提取出的电话、邮箱进行二次清洗。
如果你觉得这个项目对你有帮助，欢迎去 GitHub 点个 Star！如果有问题，也可以在评论区留言交流。
项目地址 👉 https://github.com/xy200303/automatic-word-summary
标签：#Python #自动化办公 #RPA #PyQt6 #数据处理 #源码分享