Python實(shí)現(xiàn)光速定位并提取兩個(gè)文件的不同之處

更新時(shí)間：2022年08月25日 14:54:13 作者：劉早起

如果你經(jīng)常與Excel或Word打交道，那么從兩份表格/文檔中找到不一樣的元素是一件讓人很頭疼的工作。本文就將以?xún)煞菡鎸?shí)的Excel/Word文件為例，講解如何使用Python光速對(duì)比并提取文件中的不同之處

如果你經(jīng)常與Excel或Word打交道，那么從兩份表格/文檔中找到不一樣的元素是一件讓人很頭疼的工作，當(dāng)然網(wǎng)上有很多方法、第三方軟件教你如何對(duì)比兩份文件。本文就將以?xún)煞菡鎸?shí)的Excel/Word文件為例，講解如何使用Python光速對(duì)比并提取文件中的不同之處！

比較Excel

為了方便說(shuō)明，我創(chuàng)建了一個(gè)簡(jiǎn)單的Excel用于示例

可以看到上方兩個(gè)Excel表格中共有五處不同，現(xiàn)在我們使用Python來(lái)快速定位這五處不同，這次不需要openpyxl，使用Pandas就能輕松搞定，首先導(dǎo)入相關(guān)庫(kù)并讀取數(shù)據(jù)

import pandas as pd
import numpy as np
df1 = pd.read_excel('data1.xlsx')
df2 = pd.read_excel('data2.xlsx')

其實(shí)在Pandas中一行代碼就能找到兩個(gè)DataFrame的不同

可以看到，如果一樣的數(shù)據(jù)就是NaN，而變化的數(shù)據(jù)則以它的值存儲(chǔ)，但是如果這么做的話，我們僅僅找到數(shù)據(jù)不同的位置，并且數(shù)據(jù)量大的話盯著找到不同也挺消耗時(shí)間的，所以我們進(jìn)一步研究。先換一種方式找到不同的值

接著再使用NumPy根據(jù)True/False定位元素位置，同時(shí)將值的改變寫(xiě)入原表格并保存

rows,cols=np.where(comparison_values==False)
for item in zip(rows,cols):
    df1.iloc[item[0], item[1]] = '{} --> {}'.format(df1.iloc[item[0], item[1]],df2.iloc[item[0], item[1]])
df1.to_excel('diff.xlsx',index=False,header=True)

現(xiàn)在就生成了一個(gè)新的Excel來(lái)提示我們哪里發(fā)生了變化

這樣看起來(lái)就舒服了很多(高亮是手動(dòng)的)，當(dāng)然在進(jìn)行兩個(gè)Excel比較的時(shí)候一定要注意這兩個(gè)Excel的數(shù)據(jù)格式要差不多！

比較Word

兩份Word比較起來(lái)相對(duì)于Excel就困難一點(diǎn)。首先我們還是創(chuàng)建兩份有區(qū)別的Word文檔，內(nèi)容取自百度百科中的Python介紹[1]

左邊的為原始word右邊的word是我修改了幾處的文檔，現(xiàn)在我們用Python來(lái)快速找到兩份文檔的不同。讀取文件使用到的是docx庫(kù)[2] ，因?yàn)樯婕暗街形乃晕覀冃枰茸x取docx文件，然后分段再根據(jù)標(biāo)點(diǎn)符號(hào)分句，具體代碼如下

def getText(wordname):
    '''
    提取文字
    '''
    d = Document(wordname)
    texts = []
    for para in d.paragraphs:
        texts.append(para.text)
    return texts
 
def is_Chinese(word):
    '''
    識(shí)別中文
    '''
    for ch in word:
        if '\u4e00' <= ch <= '\u9fff':
            return True
    return False
 
def msplit(s, seperators = ',|\.|\?|，|。|？|！|、'):
    '''
    根據(jù)標(biāo)點(diǎn)符號(hào)分句
    '''
    return re.split(seperators, s)
 
def readDocx(docfile):
    '''
    讀取文檔
    '''
    print(f"======正在讀取{docfile}======")
    paras = getText(docfile)
    segs = []
    for p in paras:
        temp = []
        for s in msplit(p):
            if len(s) > 2:
                temp.append(s.replace(' ', ""))
        if len(temp) > 0:
            segs.append(temp)
    return segs

使用上面這段代碼讀一下兩個(gè)word試試

可以看到我們的word文件已經(jīng)按照不同段落分好句存在兩層list中，所以接下來(lái)的問(wèn)題就轉(zhuǎn)換為比較兩個(gè)list，而這又是我們熟悉的

def comparsion(doc1,doc2,p,s):
    if doc1 == doc2:
        print('兩個(gè)word完全一致')
    else:
        if doc1[p][s] != doc2[p][s]:
            print(f"第{p+1}段，第{s+1}句不相同: {doc1[p][s]} ----> {doc2[p][s]}")

上面的判斷為最簡(jiǎn)單的形式：兩個(gè)word中僅有文字改變，而段落、句子數(shù)量均沒(méi)有改變，我們來(lái)試一下效果

只要一秒，Python就找到了兩份word文檔之間的不同之處并定位！

結(jié)束語(yǔ)

通過(guò)介紹如何使用Python來(lái)對(duì)兩個(gè)Excel/Word文件進(jìn)行比較，我想你應(yīng)該體會(huì)到了Python的強(qiáng)大之處，其實(shí)思路無(wú)非就是讀取文件、定位之處并標(biāo)記。但更重要的是你在日常工作學(xué)習(xí)時(shí)是否可以想到用Python去解決那些繁瑣費(fèi)力的流程，學(xué)會(huì)使用Python合理偷懶才是我寫(xiě)辦公自動(dòng)化系列的目的。

到此這篇關(guān)于Python實(shí)現(xiàn)光速定位并提取兩個(gè)文件的不同之處的文章就介紹到這了,更多相關(guān)Python文件不同之處內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: