Python实现光速定位并提取两个文件的不同之处

如果你经常与Excel或Word打交道，那么从两份表格/文档中找到不一样的元素是一件让人很头疼的工作，当然网上有很多方法、第三方软件教你如何对比两份文件。本文就将以两份真实的Excel/Word文件为例，讲解如何使用Python光速对比并提取文件中的不同之处！

比较Excel

为了方便说明，我创建了一个简单的Excel用于示例

可以看到上方两个Excel表格中共有五处不同，现在我们使用Python来快速定位这五处不同，这次不需要openpyxl，使用Pandas就能轻松搞定，首先导入相关库并读取数据

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

其实在Pandas中一行代码就能找到两个DataFrame的不同

可以看到，如果一样的数据就是NaN，而变化的数据则以它的值存储，但是如果这么做的话，我们仅仅找到数据不同的位置，并且数据量大的话盯着找到不同也挺消耗时间的，所以我们进一步研究。先换一种方式找到不同的值

接着再使用NumPy根据True/False定位元素位置，同时将值的改变写入原表格并保存

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

现在就生成了一个新的Excel来提示我们哪里发生了变化

这样看起来就舒服了很多(高亮是手动的)，当然在进行两个Excel比较的时候一定要注意这两个Excel的数据格式要差不多！

比较Word

两份Word比较起来相对于Excel就困难一点。首先我们还是创建两份有区别的Word文档，内容取自百度百科中的Python介绍[1]

左边的为原始word右边的word是我修改了几处的文档， 现在我们用Python来快速找到两份文档的不同。读取文件使用到的是docx库[2] ，因为涉及到中文所以我们需要先读取docx文件，然后分段再根据标点符号分句，具体代码如下

1. def getText(wordname): 
2. ''' 
3. 提取文字 
4. ''' 
5. d = Document(wordname) 
6. texts = [] 
7. for para in d.paragraphs: 
8. texts.append(para.text) 
9. return texts 
10.   
11. def is_Chinese(word): 
12. ''' 
13. 识别中文 
14. ''' 
15. for ch in word: 
16. if '\u4e00' <= ch <= '\u9fff': 
17. return True 
18. return False 
19.   
20. def msplit(s, seperators = ',|\.|\?|，|。|？|！|、'): 
21. ''' 
22. 根据标点符号分句 
23. ''' 
24. return re.split(seperators, s) 
25.   
26. def readDocx(docfile): 
27. ''' 
28. 读取文档 
29. ''' 
30. print(f"======正在读取{docfile}======") 
31. paras = getText(docfile) 
32. segs = [] 
33. for p in paras: 
34. temp = [] 
35. for s in msplit(p): 
36. if len(s) > 2: 
37. temp.append(s.replace(' ', "")) 
38. if len(temp) > 0: 
39. segs.append(temp) 
40. return segs 

使用上面这段代码读一下两个word试试

可以看到我们的word文件已经按照不同段落分好句存在两层list中，所以接下来的问题就转换为比较两个list，而这又是我们熟悉的

1. def comparsion(doc1,doc2,p,s): 
2. if doc1 == doc2: 
3. print('两个word完全一致') 
4. else: 
5. if doc1[p][s] != doc2[p][s]: 
6. print(f"第{p+1}段，第{s+1}句不相同: {doc1[p][s]} ----> {doc2[p][s]}") 

上面的判断为最简单的形式：两个word中仅有文字改变，而段落、句子数量均没有改变，我们来试一下效果

只要一秒，Python就找到了两份word文档之间的不同之处并定位！

结束语

通过介绍如何使用Python来对两个Excel/Word文件进行比较，我想你应该体会到了Python的强大之处，其实思路无非就是读取文件、定位之处并标记。但更重要的是你在日常工作学习时是否可以想到用Python去解决那些繁琐费力的流程，学会使用Python合理偷懒才是我写办公自动化系列的目的。