Python实现光速定位并提取两个文件的不同之处

比较Excel

比较Word

结束语

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

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

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)

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

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):
    '''
    识别中文
    '''
    for ch in word:
        if '\u4e00' <= ch <= '\u9fff':
            return True
    return False
def msplit(s, seperators = ',|\.|\?|，|。|？|！|、'):
    '''
    根据标点符号分句
    '''
    return re.split(seperators, s)
def readDocx(docfile):
    '''
    读取文档
    '''
    print(f"======正在读取{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

def comparsion(doc1,doc2,p,s):
    if doc1 == doc2:
        print('两个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