Automate document loading, go from word to excel or similar

One approach, using JavaScript (NodeJS) is to create a script scriptthat does an analysis of the Word document ( .docx) and writes the result to an Excel workbook ( .xlsx).

I have implemented this code very quickly to try to provide a solution to the problem, I understand that it is for an emergency.

You need:

• node.js
• ExcelJS
• word-text-parser

I don't do case sensitive checks, this is a first approximation to a possible solution.

Using the module word-text-parserwe get the paragraphs of the Word document.

We filter each paragraph to keep those that exclusively contain the strings: PU. and High

We also create a regular expression to get the date, which we assume is always in the following format: XX/XX . Where XX are numeric digits from 00 to 99. (It is not validated if a date is valid, therefore 03/12 will be valid as well as 12/03).

Then we separate each paragraph into words, and we search for the words we want according to the aforementioned criteria.

Each value is placed in an object with the following structure:

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

A list of these values ​​is saved and an Excel workbook is generated using the ExcelJS library.

The final code may look like this:

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);

I have a repository of this implemented on Github , there is 1 test Word file ( demo.docx), which has a random (unstructured) structure.

I hope that you can make progress with this. Any questions ask.

With LibreOffice you can convert a .doc to .txt by command line:

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

From there you can get what you need with regular expressions either with the same command line or with another programming language. By first dividing the text by the separator " - ". Even the data you need could be extracted from the database depending on the version.