用python如何批量统计word字数

最近小编一直在捣鼓关于python的东西，有一天有人问我，你能不能用python帮我批量地统计一个文件夹下所有word文档的字数呢？这有什么难的，几个函数就能搞定啦。

首先介绍一下接下来会调用的几个的主要用法。

由于我们的word文档中的内容以中文为主。可是中文编码的问题总是让人头疼，又是用python读取word中的内容，用open()经常会报错，上网一搜结果发现了Python有专门读取.docx的模块python_docx（只能读取.docx文件，不能读取.doc文件），用起来很方便。值得注意的是，安装这个模块的命令是pip install python_docx，（注意：不是pip install docx）但是在调用的时候只需要直接输入import docx即可。

String模块包含大量使用常量和类，可以用作字符串操作。在下面的程序中会用到一些命令：string.isdigit表示数字0到9的字符串:’0123456789’；string.ascii_letters表示所有的英文大小写字母；string.punctuation表示所有的标点符号；string.isspace表示空白字符‘\t\n\x0b\x0c\r ‘

有了这几个模块之后，我们就可以着手开始写程序啦。我们的具体思路为：1.将word文档的内容导入并保存到list列表中。2.统计每一篇word文档的中文字数，英文字数，空格数，数字个数，标点符号个数。3.获取指定目录下的所有指定后缀的文件名。4.对文件夹内所有的word文档做循环，批量输出结果。

导入所需的模块

import


    
 docx
import string

1.将word文档读入并保存到para_data这个list中

def read_docx(name):
    file = docx.Document(name)
    para_data = []
    for i in range(len(file.paragraphs)):
        para_single = file.paragraphs[i].text
        para_data.extend(para_single)  
    return para_data

在上面这个函数中，值得注意的是file.paragraphs，它表示的是得到该文档的所有段落，（file.paragraphs是一个列表，列表中的每个元素均为一个自然段的文字），并将每一个段落内的内容赋值给para_single，最后para_data这个列表中得到的是被分割开的一个一个汉字或者英文字母，便于我们在后续的统计，para_data如下图：

2.找出para_data中的中英文、空格、数字、标点符号个数

def str_count(s):
    count_en = count_dg = count_sp = count_zh = count_pu = 0#统一将0赋值给这5个变量
    s_len = len(s)
    for c in s:
    # 统计英文
        if c in string.ascii_letters:
            count_en += 1 
        # 统计数字
        elif c.isdigit():
            count_dg += 1
        # 统计空格
        elif c.isspace():
            count_sp += 1
        # 统计中文
        elif c.isalpha():
            count_zh += 1
        # 统计特殊字符
        else:
            count_pu += 1
    total_chars = count_zh + count_en + count_sp + count_dg + count_pu
    if total_chars == s_len:
        return('总字数：{0},中文字数：{1},英文字数：{2},空格：{3},数字数：{4},标点符号：{5}'.format(s_len,count_zh, count_en, count_sp, count_dg, count_pu))

在上面这个函数中，有一个地方值得注意：c in string.ascii_letters表示的是，如果c在[a-zA-Z]内，则返回TRUE，否则返回False。

3.获取指定目录下的所有指定后缀的文件名

import os
def getFileName(path):
    filename = []
    f_list = os.listdir(path)
    for i in f_list:
        if os.path.splitext(i)[1] == '.docx':
            filename.append(i)
    return filename

上面这个函数中值得注意的是os.listdir(path)表示得到该路径下所有的文件名及其扩展名。os.path.splitext，它的作用时分离文件名与扩展名；默认返回(fname,fextension)元组，可做分片操作，得到结果如下：

我们的三个程序写完啦，可是每次都调用三个函数，有点麻烦，所以我们将三个函数整合成一个函数叫word_count。

4.将三个函数汇总成一个函数

def word_count(dir):
    for filename in getFileName(dir):
        print(filename, str_count(read_docx(dir+filename)))

我们先通过getFileName 得到某一路径下所有的docx文档名，再对每个文档使用for 循环遍历执行如下操作：首先使用read_docx函数读取该文档下的所有文本内容，以字符串形式返回，再将该字符串送入str_count处理，返回一个格式化字符串，该对象的__call__函数以键值对的形式打印出来自身所附带的所有成员变量。

然后我们在e盘新建一个空的word文档，进行测试。

比如在空的文档中写入：

我aa，，，    11111

这段内容中有一个中文，两个英文，三个标点符号，4个空格，5个数字。

我们可以得到：

接下来就让我们实际操作运行一下吧。比方说我想要得到e盘下所有word文档的信息：

print(word_count('E:/'))

得到：

这就得到最终我们想要的结果了。

注：此推文中的图片及封面（除操作部分的）均来源于网络！如有雷同，纯属巧合！

以上就是今天给大家分享的内容了，说得好就赏个铜板呗！有钱的捧个钱场，有人的捧个人场~。另外，我们开通了苹果手机打赏通道，只要扫描下方的二维码，就可以打赏啦！

应广大粉丝要求，爬虫俱乐部的推文公众号打赏功能可以开发票啦，累计打赏超过1000元我们即可给您开具发票，发票类别为“咨询费”。用心做事，只为做您更贴心的小爬虫。第一批发票已经寄到各位小主的手中，大家快来给小爬虫打赏呀~

往期推文推荐：

1.爬虫俱乐部新版块--和我们一起学习Python

2.hello,MySQL--Stata连接MySQL数据库

3.hello,MySQL--odbcload读取MySQL数据

4.再爬俱乐部网站，推文目录大放送！

5.用Stata生成二维码—我的心思你来扫

6.Hello,MySQL-odbc exec查询与更新

7.Python第一天

8.Python第二天

9.事件研究大放送

10.爬虫俱乐部隆重推出网上直播课程第一季