PythonでMicrosoft Wordのファイルからデータを自動取得する方法

2024年3月1日

現代のオフィスワークでは、文書作成の効率化がますます重要になっています。

特に、Microsoft Wordは業務で頻繁に使用されるツールの一つですが、大量のドキュメントを扱う際には、手動での操作が時間を要することがあります。

このような状況でPythonを活用すると、Wordファイルの読み込みや編集作業を自動化し、業務の効率化を図ることができます。

本記事では、Pythonを使ってMicrosoft Wordファイルからテキストデータを自動で抽出する方法について、実践的なコード例を交えながら解説します。

ライブラリのインストール

PythonでWordファイルの内容を読み取るために必要なpython-docxライブラリのインストール方法を解説します。このライブラリは、PythonでMicrosoft Word (.docx) ファイルを読み書きするために使用されます。

ライブラリのインストール手順

python-docx ライブラリをインストールするには、Pythonのパッケージ管理システムであるpipを使用します。コマンドライン（ターミナルやコマンドプロンプト）を開き、以下のコマンドを入力して実行してください。

pip install python-docx

作成したPythonコード

このコードは、ユーザーが指定したWordファイルの内容を読み取り、そのテキストをコンソールに表示するためのシンプルなスクリプトです。python-docxライブラリを使用することで、Wordドキュメントの操作が可能になります。

docxライブラリのインポート:
- docxモジュールをインポートしています。このモジュールは、PythonでMicrosoft Wordファイルを読み書きするために使用します。
read_word_file関数の定義:
- Wordファイルからテキストデータを抜き出してコンソールに出力するread_word_file関数を定義しています。
- 引数file_pathは、読み込むWordファイルのパスを指定します。
Wordファイルの読み込み:
- Document(file_path)を使用して、指定されたパスのWordファイルを開きます。
- Documentオブジェクトを作成し、Wordドキュメントを操作するためのインターフェースを提供します。
ドキュメント内のテキストの抽出と出力:
- doc.paragraphsを使用してドキュメント内の全ての段落にアクセスします。
- 各段落(para)について、para.textプロパティを使用して段落のテキストを取得し、print関数を使ってコンソールに出力します。
メイン処理の実装:
- スクリプトが直接実行された場合のみ、以下の処理を実行します。
- input関数を使用してユーザーにWordファイルのパスを入力させます。入力されたパスはfile_path変数に格納されます。
- ユーザーから入力されたファイルパスをread_word_file関数に渡し、ファイルの内容を読み込んでコンソールに出力します。

全体のソースコード

from docx import Document

def read_word_file(file_path):
    """
    Wordファイルからテキストデータを抜き出して出力する。
    
    Args:
        file_path (str): 読み込むWordファイルのパス。
    """
    # Wordファイルを開く
    doc = Document(file_path)
    
    # ドキュメント内の全ての段落をループして、テキストを出力
    for para in doc.paragraphs:
        print(para.text)

if __name__ == "__main__":
    # ユーザーにファイルのパスを入力させる
    file_path = input("対象となるWordファイルのパスを入力してください: ")
    
    # 入力されたファイルパスから不要な引用符を削除
    file_path = file_path.strip("\"'")
    
    # ファイル読み込みとテキストの出力を実行
    read_word_file(file_path)