5

Gente, espero que entiendan que esto es una situacion especial. Es una pregunta que no cumple con las reglas, pero ahora mismo el mundo es un desastre y realmente necesito si alguien puede darme una mano con esto. Llenenme de negativos si quieren pero por favor, no cierren la pregunta.

En mi trabajo estamos cargando a mano unos archivos referidos las denuncias reportadas por la gente referidas al COVID-19. El tema es que este virus está creciendo exponencialmente, por lo que nuestro trabajo tambien lo hace, y estamos atrasados con la estadística, en parte por eso la cifra que se conoce sobre los casos es mas baja de lo que en realidad es. Sin mas preambulo, les paso a mostrar lo que tengo:

Nos llega un archivo .doc (pregunte en el chat antes de realizar la pregunta acá, y me preguntaron la version de Word. En realidad trabajamos con distintas versiones, yo en casa tengo la ultima version porque soy estudiante y MS la regala y actualiza siempre, pero en el trabajo tengo el 2010, creo que puede ser indiferente la version ya que yo quiero trabajar con texto, podria inclusive copiarlo y llevarlo a un notepad por ejemplo)

Este archivo .doc tiene unos 100 textos que tienen mas o menos esta forma

Averig.Ilicito – Pto. Ilícito (COVID-19 Coronavirus) – Femenina Mayor 19/03 – PU.81027 – Alta 07:06hs – CP Campana; 05:00hs. Se recepcionó llamado a XXXX (Dda. XXXX 1000), dando cuenta que su vecina XXX, víspera regreso proveniente de Brasil, no cumpliendo con el protocolo de aislamiento. Personal procedió a brindarle los correspondientes números telefónicos para tales casos, dando aviso a personal de Salud.

Cada uno de esos textos deben ser pasados a tabla en una base de datos, que tiene unos 20 campos. Yo quisiera al menos poder sacar los 3 datos que puse en negrita, que son, la fecha, el numero de Parte Urgenta, que esta siempre despues de PU. y la hora, que siempre es la que esta despues de la palabra alta (ya que puede haber otras horas en el parrafo, de todas maneras la hora que busco es la primera que aparece, asi que pueden tenerse esos dos criterios, o la primer aparicion, o despues de "alta")

Si no sabes como hacerlo pero conoces herramientas que puedan hacerlo, tambien me seria de gran ayuda

La cosa es que estamos pasandolos a mano, y este virus crece a pasos agigantados con ello las denuncias, y no estamos pudiendo cargar esto.

La idea es que cada nuevo texto (podria identificarse por la aparicion de la cadena PU.) cree una nueva fila (puede ser en una tabla de excel o de access, da igual) y coloque esos 3 campos.

Espero sepan entender una pregunta excepcional en un momento excepcional.

9
  • Los productos de Microsoft vienen con Visual Basic for Applications. Usado eso podes manipular los documentos como para leer el contenido. No se si podes abrir un doc y un excel a la vez. Pero en todo caso podes generar un txt con campos separados por comas (csv), intermedio, que te haga de interface. En cuanto a identificar lo que queres extraer, lo mas simple sería usar regular expressions (regex) -me parece que es un modulo que se tiene que habilitar aparte-. Dado que el texto que te pasan es desestructurado, es posible que el resultado no sea perfecto.
    – Juan
    Commented el 21 mar. 2020 a las 14:14
  • Claro eso es cargado a mano por otra gente y suele tener errores, por eso unicamente mi idea es extraer al menos esos 3 datos, y y de ser posible la fecha. Con eso aliviaria a la mitad nuestro trabjao. Voy a leer sobre eso, muchas gracias
    – Agustin G.
    Commented el 21 mar. 2020 a las 14:16
  • Agustín, no estoy seguro si la comunidad puede llegar a aceptar una pregunta tan amplia, pero obviamente dadas las circunstancias, tal vez se puedan "relajar" las reglas de forma temporal. Mientras tanto, te comento, tienes dos problemas distintos (a) como extraer los textos de los documentos Word (b) como extraer los datos de cada texto. El primer problema es complejo por las distintas versiones de word que tienes, ya que hay mucha diferencia entre un doc y un docx que es un formato abierto. Commented el 21 mar. 2020 a las 15:43
  • 2
    El problema (b) es un poco más simple, si tuvieras un conjunto de archivos de texto ya convertidos del word, puedes intentar con expresiones regulares para extraer cada dato. Esto es sencillo de resolver con python, te propongo una solución al respecto: repl.it/@pmoracho/WordExtract Commented el 21 mar. 2020 a las 15:44
  • 2
    una vez mas les agradezco a todos por hacer esto (opinar, explicar, codificar, responder, darme opciones) sin ningun interes mas que un "gracias"
    – Agustin G.
    Commented el 21 mar. 2020 a las 16:35

2 respuestas 2

6

Una aproximación, usando JavaScript (NodeJS) es crear un script que haga un análisis del documento de Word (.docx) y escriba el resultado en un libro de Excel (.xlsx).

He implementado este código de forma muy rápida para intentar aportar una solución al problema, entiendo que es para un caso de urgencia.

Necesitas:

No hago comprobaciones entre mayúsculas y minúsculas, esto es una primera aproximación a una posible solución.

Usando el módulo word-text-parser obtenemos los párrafos del documento de Word.

Filtramos cada párrafo para quedarnos con aquellos que contengan exclusivamente las cadenas: PU. y Alta

También creamos una expresión regular para obtener la fecha, la cual asumimos siempre con el siguiente formato: XX/XX. Donde XX son dígitos numéricos del 00 al 99. (No se valida si una fecha es válida, por lo tanto 12/03 será válido así como 03/12).

Luego cada párrafo lo separamos en palabras, y buscamos las palabras que deseamos de acuerdo a los criterios antes mencionados.

Cada valor se coloca en un objeto con la siguiente estructura:

{ PU: <cadena>, Alta: <cadena>, Fecha: <cadena>}

Se guarda una lista de dichos valores y se genera un libro de Excel usando la librería ExcelJS.

El código final puede verse así:

const path = require('path');
const wordParser = require('word-text-parser');
const ExcelJS = require('exceljs');


/* La siguiente función se encarga de crear un documento de Excel
* a partir de una lista de datos recibida como parámetro
*
* @input dataList [Array]: Array con datos: { PU: <cadena>, Alta: <cadena>, Fecha: <cadena>}
*/
const createWorkBook = function(dataList) {
  if(!dataList || !Array.isArray(dataList) || !dataList.length) return;
  let wb = new ExcelJS.Workbook();
  wb.created = new Date();
  wb.creator = 'Someone';
  wb.views = [
    {
      x: 0, y: 0, width: 10000, height: 20000,
      firstSheet: 0, activeTab: 1, visibility: 'visible'
    }
  ]
  //creamos la hoja del libro
  let dataSheet = wb.addWorksheet('Data');

  //20 campos por registro, es lo que estableces en tu pregunta
  // los 3 datos van en las columnas 3, 5 y 7. con PU, alta y fecha respectivamente.

  // creamos la cabecera de datos
  let columnHeaders = [];
  for(let i = 0; i < 20; i++) {
    let header = {header: `Dato${i}`, key: `Dato${i}`, width: 30};
    if(i === 3) {
      header.header = 'PU';
      header.key = 'PU';
    }
    if(i === 5) {
      header.header = 'Alta';
      header.key = 'Alta';
    }
    if(i === 7) {
      header.header = 'Fecha';
      header.key = 'Fecha';
    }
    columnHeaders.push(header);
  }
  dataSheet.columns = columnHeaders;

  // Recorremos la lista y almacenamos los registros en la hoja
  dataList.forEach(data => {
    dataSheet.addRow({PU: data.PU, Alta: data.Alta, Fecha: data.Fecha});
  });

  // Escribimos el archivo resultante:
  wb.xlsx.writeFile(path.join(__dirname,'test.xlsx'))
  .then(() => {
    console.log('Done');
  })
  .catch(error => {
    console.error(`Algo salió mal: ${error.message}`);
  });
}

/*
* La siguiente función analiza los párrafos capturados del archivo de Word
* y devuelve una lista con los datos obtenidos de los mismos
* @input resultsList [Array]: Array con cadenas correspondientes a cada párrafo del archivo
* @output data [Array]: Array con datos: { PU: <cadena>, Alta: <cadena>, Fecha: <cadena>}
*/
const parseResult = function(resultsList) {
  if(!resultsList || !Array.isArray(resultsList) || !resultsList.length) return;

  // filtramos los párrafos que contengan "PU." y "Alta"
  const filteredParagraphs = resultsList.filter(p => p.includes('PU.') && p.includes('Alta'));

  // Array que almacenará los datos extraídos
  const data = [];

  // Expresión regular para evaluar la fecha.
  const regexFecha = /^\d\d\/\d\d$/i

  // recorremos cada párrafo
  filteredParagraphs.forEach(p => {
    //creamos el objeto para almacenar los datos
    let value = {
      PU: '',
      Alta: '',
      Fecha: ''
    }

    // separamos cada párrafo en palabras
    let splitedParagraph = p.split(' ');

    //analizamos cada palabra y capturamos los datos
    splitedParagraph.forEach((word, index) => {
      if(word.includes('PU.')) {
        value['PU'] = word.split('.')[1];
      }
      if(word === 'Alta') {
        value['Alta'] = splitedParagraph[index + 1];
      }
      if(regexFecha.test(word)) {
        value['Fecha'] = `${word}/2020`;
      }
    });

    // almacenamos el resultado en el array
    data.push(value);
  });

  // mostramos los datos por consola
  console.log(data);

  // llamamos al procedimiento para crear el libro de Excel a partir de los datos
  createWorkBook(data);
}

// nombre del archivo a analizar
const fileToParse = path.join(__dirname, 'demo.docx');

// llamamos al analizador del archivo
wordParser(fileToParse, parseResult);

En Github tengo un repositorio de esto implementado, allí hay 1 archivo Word de prueba (demo.docx), que tiene una estructura aleatoria (no estructurada).

Espero que con esto logres avanzar. Cualquier duda lo consultas.

4
  • gracias, estoy instalado todo en un virtualenv para hacer la prueba, puedo estar un rato, pero en breve lo pruebo. Infinitas gracias
    – Agustin G.
    Commented el 21 mar. 2020 a las 16:53
  • Funcionó de mil maravillas! Ahora me toca trabajar a mi, pero un poco menos :) Infinitas gracias
    – Agustin G.
    Commented el 21 mar. 2020 a las 17:34
  • 3
    Me alegra haber aportado una solución. Saludos y a cuidarse. Commented el 21 mar. 2020 a las 17:40
  • Comentario aparte aprovechando la situacion, los numeros que ven en la tele van con 7/10 de atraso, la situacion es mucho peor de lo que dicen los medios, aunque ya como se ven asusutan. Cuidemonos, hagamoslo por nuestros viejos, tios, abuelos... esto se va a poner feo. Abrazo grande a todos
    – Agustin G.
    Commented el 21 mar. 2020 a las 17:42
2

Con LibreOffice puedes convertir por línea de comandos un .doc a .txt:

soffice --headless --convert-to txt:Text archivo.doc

A partir de ahí puedes obtener lo que necesitas con expresiones regulares ya sea con la misma línea de comandos o con otro lenguaje de programación. Dividiendo primero el texto por el separador " - ". Incluso, los datos que necesitas se podrían extraer desde la base de datos dependiendo de la versión.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.