Python按文件内容搜索文字教程
用Python递归扫描文件夹，按文件正文内容搜索关键词，支持txt、md、py等文本文件，逐行匹配并输出命中位置，比系统搜索精准可控。
场景痛点
只记得某份文档里写过"2025年度预算"这句话，但文件名完全没印象，Windows全局搜文件名根本找不到。手动打开一个个文档Ctrl+F，几百个文件能查到下班。用Python直接读文件正文做关键词匹配，文本类文件几秒扫完，命中的文件路径和行号一起打出来，直接定位到那句话。
用到的库
pip install openpyxl
核心用标准库 os、pathlib、chardet（可选，用于探测编码），导出结果用 openpyxl。
完整代码
import os
from pathlib import Path
from openpyxl import Workbook
# 需要扫描的文本类后缀
TEXT_EXTS = {".txt", ".md", ".py", ".js", ".html", ".css", ".json",
".csv", ".log", ".xml", ".ini", ".cfg", ".bat", ".sh"}
def read_text_safe(file_path: Path):
"""尝试用常见编码读取文本文件，失败则返回 None。"""
for enc in ("utf-8", "gbk", "gb18030", "latin-1"):
try:
return file_path.read_text(encoding=enc)
except (UnicodeDecodeError, OSError):
continue
return None
def search_content(root_dir: str, keyword: str,
extensions: set = None,
case_sensitive: bool = False):
"""递归搜索文件内容中包含关键词的文件，返回命中清单。"""
root = Path(root_dir)
exts = extensions or TEXT_EXTS
kw = keyword if case_sensitive else keyword.lower()
results = []
for dirpath, _, filenames in os.walk(root):
for name in filenames:
p = Path(dirpath) / name
if p.suffix.lower() not in exts:
continue
# 跳过过大的文件，防止卡住
try:
if p.stat().st_size > 50 * 1024 * 1024:
continue
except OSError:
continue
text = read_text_safe(p)
if text is None:
continue
haystack = text if case_sensitive else text.lower()
if kw in haystack:
# 找到第一个命中的行号
hit_lines = []
for lineno, line in enumerate(text.splitlines(), 1):
target = line if case_sensitive else line.lower()
if kw in target:
hit_lines.append((lineno, line.strip()[:120]))
if len(hit_lines) >= 3:
break
results.append({
"path": str(p),
"hits": hit_lines,
})
return results
def export_to_excel(results: list, out_path: str):
wb = Workbook()
ws = wb.active
ws.title = "内容搜索结果"
ws.append(["序号", "文件路径", "命中行号", "命中内容片段"])
row = 1
for item in results:
for lineno, snippet in item["hits"]:
row += 1
ws.append([row, item["path"], lineno, snippet])
ws.column_dimensions['A'].width = 8
ws.column_dimensions['B'].width = 80
ws.column_dimensions['C'].width = 10
ws.column_dimensions['D'].width = 80
wb.save(out_path)
if __name__ == "__main__":
ROOT = r"D:\工作资料"
KEYWORD = "年度预算"
results = search_content(ROOT, KEYWORD)
print(f"共在 {len(results)} 个文件中找到「{KEYWORD}」：\n")
for item in results:
print("文件：", item["path"])
for lineno, snippet in item["hits"]:
print(f" 第{lineno}行: {snippet}")
print()
export_to_excel(results, r"D:\工作资料\内容搜索结果.xlsx")
print("结果已导出：D:\\工作资料\\内容搜索结果.xlsx")
代码讲解
read_text_safe 是这段代码的核心：中文Windows下的文件编码五花八门，UTF-8、GBK、GB18030都常见，逐个编码尝试读取，哪个成功用哪个，最后兜底 latin-1（它能吃下任意字节不报错，但中文会乱码，只用于保底）。TEXT_EXTS 限定只扫文本类文件，.docx、.xlsx、.pdf 是二进制压缩格式，直接读会乱码，不在这篇范围内。超过50MB的文件直接跳过，避免把日志大文件拖慢。命中后记录行号和前120字符的片段，最多记3处，够定位就行。Excel导出时把每个命中行拆成一行，方便按行号跳转。
运行结果
控制台逐文件打印命中路径和行号片段，最后在根目录生成 内容搜索结果.xlsx，四列：序号、文件路径、命中行号、命中内容片段。复制文件路径就能直接打开对应文件。
注意事项
.docx、.xlsx、.pdf不能直接当文本读，需要用python-docx、openpyxl、pdfplumber这类库先解析，本篇不展开。- 编码尝试顺序很重要：先UTF-8再GBK，顺序反了中文可能读成乱码但不报错。
- 二进制文件（图片、视频、exe）不要扫，里面随机字节偶尔会误命中关键词，还拖慢速度。
- 搜整个C盘会很慢且有权限问题，建议先锁定具体业务目录。
更新时间：2026-09-14 21:15:48