快捷導(dǎo)航

Python實(shí)現(xiàn)Word文檔中提取表格數(shù)據(jù)并轉(zhuǎn)換為CSV和JSON格式

更新時(shí)間：2025年12月18日 08:51:24 作者：Quest for Knowledge

在日常工作中,我們經(jīng)常需要處理大量的Word文檔,其中包含各種表格數(shù)據(jù),手動(dòng)整理這些表格不僅耗時(shí)且容易出錯(cuò),Python提供了多個(gè)庫(kù)來(lái)幫助我們實(shí)現(xiàn)這一目標(biāo),所以本文給大家介紹了Python實(shí)現(xiàn)Word文檔中提取表格數(shù)據(jù)并轉(zhuǎn)換為CSV和JSON格式,需要的朋友可以參考下

前言

在日常工作中，我們經(jīng)常需要處理大量的Word文檔，其中包含各種表格數(shù)據(jù)。手動(dòng)整理這些表格不僅耗時(shí)且容易出錯(cuò)。因此，開發(fā)一個(gè)自動(dòng)化工具來(lái)解析Word文檔中的表格，并將其轉(zhuǎn)換為更易于處理的CSV或JSON格式，可以極大地提高工作效率。

1.解析Word文檔中的表格

Python提供了多個(gè)庫(kù)來(lái)幫助我們實(shí)現(xiàn)這一目標(biāo)，其中python-docx庫(kù)非常適合讀取Word文檔(.docx)的內(nèi)容。下面的代碼示例展示了一個(gè)名為extract_tables_from_docx的函數(shù)，該函數(shù)接收一個(gè)Word文檔的路徑作為輸入，然后解析文檔中的所有表格，并將每個(gè)表格的數(shù)據(jù)以嵌套列表的形式返回。

首先導(dǎo)入必要的庫(kù)

import os
import csv
import json
from docx import Document
from collections import defaultdict
from lxml import etree

def extract_tables_from_docx(docx_path):
    doc = Document(docx_path)
    all_tables_data = []

    for table in doc.tables:
        table_data = []
        merged_cells = defaultdict(str)
        row_spans = defaultdict(lambda: 0)
        for i, row in enumerate(table.rows):
            row_data = []
            for j, cell in enumerate(row.cells):
                cell_text = cell.text.strip()
                cell_xml = etree.fromstring(cell._element.xml)

                nsmap = {'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'}
                grid_span = cell_xml.xpath(".//w:gridSpan/@w:val", namespaces=nsmap)
                if grid_span:
                    span = int(grid_span[0])
                    for k in range(span):
                        if k == 0:
                            row_data.append(cell_text)
                        else:
                            merged_cells[(i, j + k)] = cell_text
                else:
                    row_data.append(cell_text)

                v_merge = cell_xml.xpath(".//w:vMerge/@w:val", namespaces=nsmap)
                if v_merge:
                    if v_merge[0] == 'restart':
                        row_spans[(i, j)] = 1
                        merged_cells[(i, j)] = cell_text
                    elif v_merge[0] is None:
                        row_spans[(i, j)] += 1
                        row_data[-1] = merged_cells[(i - row_spans[(i, j)], j)]

            table_data.append(row_data)
        all_tables_data.append(table_data)

    return all_tables_data

該函數(shù)使用了lxml庫(kù)來(lái)解析XML，因?yàn)?docx文件本質(zhì)上是ZIP壓縮包，其中包含了用于描述文檔結(jié)構(gòu)的XML文件。lxml庫(kù)允許通過(guò)XPath查詢來(lái)訪問(wèn)這些XML元素，從而處理單元格的合并和跨度。

2.保存表格數(shù)據(jù)

一旦表格數(shù)據(jù)被提取出來(lái)，就可以將其保存為CSV或JSON格式。為此，定義了兩個(gè)輔助函數(shù)save_tables_to_csv和save_tables_to_json，它們分別負(fù)責(zé)將表格數(shù)據(jù)寫入CSV文件和JSON文件。

def save_tables_to_csv(tables, output_dir, file_name):
    for i, table in enumerate(tables):
        csv_path = os.path.join(output_dir, f"{file_name}_table_{i+1}.csv")
        with open(csv_path, mode='w', newline='', encoding='utf-8') as file:
            writer = csv.writer(file)
            writer.writerows(table)
        print(f"表格 {i+1} 已保存為 CSV 文件，路徑為 {csv_path}")

def save_tables_to_json(tables, output_dir, file_name):
    for i, table in enumerate(tables):
        json_path = os.path.join(output_dir, f"{file_name}_table_{i+1}.json")
        with open(json_path, mode='w', encoding='utf-8') as file:
            json.dump(table, file, ensure_ascii=False, indent=4)
        print(f"表格 {i+1} 已保存為 JSON 文件，路徑為 {json_path}")

3.處理文件夾中的多個(gè)Word文檔

為了批量處理文件夾中的多個(gè)Word文檔，我們可以使用os.listdir和列表推導(dǎo)式來(lái)獲取所有.doc或.docx文件的列表。然后，對(duì)于列表中的每個(gè)文件，我們調(diào)用上述函數(shù)來(lái)提取表格并保存結(jié)果。

# 設(shè)置文件路徑和輸出目錄
docx_path = r'E:\data\\測(cè)試表格'
output_dir = r'E:\data\\測(cè)試表格'

# 獲取文件夾中所有 Word 文件的列表
word_files = [f for f in os.listdir(docx_path) if f.endswith('.doc') or f.endswith('.docx')]


# 提取表格數(shù)據(jù)并保存為 CSV 和 JSON 文件
for file in word_files:
    file_path = os.path.join(docx_path, file)
    tables = extract_tables_from_docx(file_path)
    file_name = os.path.splitext(file)[0]
    save_tables_to_csv(tables, output_dir, file_name)
    save_tables_to_json(tables, output_dir, file_name)

4.總結(jié)

通過(guò)這個(gè)腳本，可以輕松地從Word文檔中提取表格數(shù)據(jù)，并將其轉(zhuǎn)換為CSV或JSON格式，從而方便進(jìn)一步的數(shù)據(jù)分析或?qū)氲綌?shù)據(jù)庫(kù)中。節(jié)省了手動(dòng)數(shù)據(jù)錄入的時(shí)間，還減少了人為錯(cuò)誤的可能性，提高了數(shù)據(jù)處理的效率和準(zhǔn)確性。

以上就是Python實(shí)現(xiàn)Word文檔中提取表格數(shù)據(jù)并轉(zhuǎn)換為CSV和JSON格式的詳細(xì)內(nèi)容，更多關(guān)于Python Word數(shù)據(jù)提取并轉(zhuǎn)為CSV和JSON的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: