40 份 Word 教案,怎么一次抽成一张表
- 2026-10-24 17:23:49
期末收教案，40 份。
要把每份的课时数、教学目标条数、教学环节数摘出来，做成一张汇总表交给教研组。
一份一份点开，找到那几行，复制，粘到表里。40 份下来，一上午就没了。
这件事 Python 能干，但比前两篇都要费点劲。
前两篇是往文档里装东西。你手上有一份模板，你知道第几段该写什么，往里填就行。
这一篇反过来。文档是别人写的。
先看看素材长什么样
40 份教案躺在一个文件夹里，名字是按要求的格式起的
文件名有统一的格式：学科、课题、教师。收的时候就交代过，省了不少事。
但打开看，里面的写法就不一样了。
所以写代码之前先做一件事：拿几份出来，把里面的结构打出来。脚本里留了个 --peek 开关，只看结构，不抽取。
段 [Heading 1] 《草原》教学设计
段 [Normal] 学科：语文 授课教师：吴超 授课班级：五(2)班
段 [Normal] 一、教学目标
段 [Normal] 1. 有感情地朗读课文，背诵自己喜欢的段落。
段 [Normal] 2. 认识 8 个生字，会写 12 个生字。
段 [Normal] 四、教学过程
表 7 行 3 列 表头 ['教学环节', '时间', '主要活动']
要抽什么，一眼就看出来了。
整件事分 4 步走。
从 40 份文件到一张表，中间有四步
第一步：拿到 40 个路径
用 pathlib 一行就够。
files = sorted(ROOT.glob("*.docx"))
sorted 不能省。文件系统吐出来的顺序是不固定的，不排一下，每次跑出来的前 5 行都不一样，核对起来很烦。
那个 --peek，不多余
十几行代码，只打印文档结构，看着像白写的。
第一次跑就发现了两件事：小标题有 4 种写法；教学过程不是段落，是一张表。
要是没这一步，照着自己脑子里的模板写定位规则，跑完抽出来一堆空的，再回头一份份翻文档找原因，来回要折腾好几遍。
解析类的活儿，先看数据再动笔，省的不止一点。
第二步：把顺序找回来
这一步是本篇最容易踩的坑。
打开一份文档，python-docx 给了你两个属性：doc.paragraphs 和 doc.tables。
段落一个列表，表格一个列表。看着挺全。
两种取法的差别
问题在这里：两个列表是分开的。
你在段落里找到了「四、教学过程」这一行，也在表格里找到了那张 7 行 3 列的表。
可这张表在段落的哪个位置？看不出来。
教案里要抽的东西，恰好就长在「谁在谁后面」上。「四、教学过程」这一行后面跟的那张表才是教学过程，前面那张可能是课程安排表。
python-docx 做这两个属性，是为了让你少写代码。代价就是位置关系丢了。
想拿回来，得绕开它们，直接读文档的底层。
一份 Word 文档在底层是一个 body，里面按真实顺序排着一个个元素。段落是 w:p，表格是 w:tbl。
顺着走一遍，顺序就回来了。
def iter_blocks(doc):
body = doc.element.body
for child in body.iterchildren():
if child.tag == qn("w:p"):
yield "p", Paragraph(child, doc)
elif child.tag == qn("w:tbl"):
yield "t", Table(child, doc)
分块和归一化，本篇的两个核心函数
吐出来的就是一个有序序列，段落和表格混在一起，谁在谁后面一目了然。
图里上半段是分块用的，下半段那个 norm() 是接下来要讲的。
第三步：把标题抹平
顺序解决了，接下来是定位。
目标很明确：找到「教学目标」那一节，把它底下的几条抄下来。
可 40 份教案里，这 4 个字有 4 种写法。
四种写法，归一化成一个 key
要是写 4 个判断分别处理，代码会又长又脆。而且今天 4 种，明天可能变成 6 种。
做法是加一层归一化。不管原样长什么样，先抹成同一个 key，再拿这个 key 去找。
def norm(s):
s = s.strip()
pat = r"^[一二三四五六七八九十]+\s*[、.．]\s*"
s = re.sub(pat, "", s)
return s.strip("【】[]").strip("：: ")
「一、教学目标」去掉序号，「教学目标：」去掉冒号，「【教学目标】」去掉方括号，三种最后都落到「教学目标」上。
同一个函数换个关键词，管「教学重点」「课时安排」也一样。
教案是别人写的。你能管住自己的模板，管不住 40 个人的书写习惯。
课时那一节的写法也不统一。2 课时、共 2 课时、两课时、2课时，又是 4 种。
抽取的时候先找阿拉伯数字，找不到再认中文数字。要注意「两」这个字，中文里说「两课时」比说「二课时」自然得多，字典里漏了它就会少抽好几份。
第四步：汇总，顺手自检
到这一步其实没什么难度了，把抽到的东西塞进 DataFrame。
课时那一列有个小地方要处理。40 份里有 1 份没抽到课时，这一列就会从小整数变成小数，3 显示成 3.0。
加一句 df["课时"] = df["课时"].astype("Int64") 换成可空整数就正常了。缺的那一格显示
跑完 40 份，不到 2 秒。
终端输出
有一种写法藏在表格里
前面说的都是按段落找。但教案里还有一类写法，把内容放进表格。
脚本里留了一手：如果「教学目标」那一节里没有正文，就去这一节底下的表格里捞。捞出来的格子按行读一遍，就当成几条目标。
这招救回了大部分情况。但有一份还是没救回来。
那份教案里，连「教学目标」这 4 个字都不在正文里，被写进了表格的第一格。脚本从头到尾没见过这 4 个字，自然找不到那一节。
所以抽取的规则不可能提前想全。你不知道下一批教案会长成什么样。
这也是为什么自检比规则重要。
抽完不算完
真正要紧的是最后那道自检。
40 份里 38 份抽全了
38 份。剩下 2 份得人看一眼。
一份是《鸟的天堂》，没抽到课时。打开一看，这份教案本来就没有「课时安排」那一节，写的人把它漏了。
另一份是《My Favourite Season》，没抽到教学目标。「教学目标」这 4 个字被写进了表格的第一格，正文里压根没有这个小标题。
两份都不是脚本写错了，是它们本来就没有统一的小标题。
这 2 份打开看一眼，比让脚本去猜 20 种格式划算得多。
自检的判据也很朴素：课时必须是个数字，目标至少 2 条，班级不能是空的，缺哪样就记一笔。
这几条不保证抽出来的一定对，但能保证漏掉的一定被看见。
明天又收 40 份，要改哪里
这套脚本不是一次性的。
下学期再收一批教案，可能要动的地方只有 3 处：文件名格式变了，改那行正则；多了一两种新标题写法，往 SECTIONS 里加一条；目标的关键词换了，改 GOALS。
数据源和规则分开写，规则集中放在文件开头，改起来就快。
要是把关键词和判断散在各个函数里，3 个月后自己都找不齐。
表长这样
抽完的汇总表，空的那格就是没抽到的那份
抽出来的数据本身也有点意思。
课时分布上，2 课时最多，21 份；1 课时 8 份，3 课时 10 份。合计 80 课时，平均 2.05。
按学科分开看，差别就出来了。数学最舍得花时间，平均 2.38 课时；语文最省，1.86。同样一节 40 分钟的课，语文老师更爱一两节讲完。
114 条教学目标，平均每份 2.85 条。教学环节平均 5.1 个，最少 4 个，最多 6 个。
这几组数字放在一张表里，比翻 40 份文档快得多。
装和掏，难的地方不一样
前两篇是往文档里装东西。装的时候，你放没放进去，自己心里清楚。
这一篇是往外掏。少掏了一部分，你不会知道。
所以脚本最后必须留一道自检，把没抽到的挑出来，摆在你面前。
还有一层。这次能从文件名里直接拿到学科和教师，是因为收的时候就规定了命名格式。要是哪天收上来的名字五花八门，这两项也得从正文里找，难度再翻一倍。
抽取的活儿，麻烦的从来是别人给的格式不统一。
下一篇换个对象。Word 讲完了，接下来是 Excel。
