Python批量提取Word文档表格数据

news2024/11/27 2:19:22

在大数据处理与信息抽取领域中，Word文档是各类机构和个人普遍采用的一种信息存储格式，其中包含了大量的结构化和半结构化数据，如各类报告、调查问卷结果、项目计划等。这些文档中的表格往往承载了关键的数据信息，如统计数据、项目进度、研究成果等。然而，手动从大量的Word文档中逐一摘取并整理这些表格不仅耗时费力，且易出错，无法满足高效、准确的数据利用需求。因此，利用编程实现批量提取Word文档中的表格成为了一种必要且高效的解决方案。Python作为一种功能强大、易学易用的编程语言，可以有效地实现这一目标，极大地提升数据采集和预处理的工作效率，同时也为后续的数据分析和应用提供强有力的支持。本文将介绍如何使用Python实现对Word文档中表格的提取。

文章目录

- 提取Word文档表格并保存为Excel工作表
- 提取Word文档表格并保存为CSV文件

本文所使用的方法需要用到Spire.Doc for Python，可从官网获取。如果是将表格保存到Excel工作表，则还需要用到Spire.XLS for Python。

提取Word文档表格并保存为Excel工作表

读取Word文档中的表格并写入Excel工作簿需要同时用到这两个库。以下是操作步骤：

创建 Document 和 Workbook 对象。
使用 Document 类的 LoadFromFile() 方法载入指定路径下的 Word 文档。
清除 Workbook 中的所有工作表。
遍历加载的 Word 文档中的所有节（Sections）。
在每个节中，遍历其包含的所有表格（Tables）。
对于每一个表格，创建一个新的 Excel 工作表，并根据表格索引为其命名。
遍历表格中的每一行（Rows），并获取当前行对象。
再次遍历该行中的所有单元格（Cells），获取单元格对象。
对于每个单元格，将其包含的段落内容合并为一个字符串（cellText）。
使用 Workbook 的工作表对象的 SetCellValue() 方法将合并后的单元格文本内容写入到对应的工作表中。
完成所有表格数据的写入后，使用 Workbook 的 SaveToFile() 方法将 Excel 数据保存到指定路径。

代码示例：

from spire.doc import *
from spire.doc.common import *
from spire.xls import *
from spire.xls.common import *

# 创建Document对象
doc = Document()

# 载入Word文档
doc.LoadFromFile("示例.docx")

# 创建Workbook对象
wb = Workbook()
wb.Worksheets.Clear()

# 遍历文档中的节
for i in range(doc.Sections.Count):
    # 获取一个节
    section = doc.Sections.get_Item(i)
    # 遍历节中的表格
    for j in range(section.Tables.Count):
        # 获取一个表格
        table = section.Tables.get_Item(j)
        # 创建一个工作表
        ws = wb.Worksheets.Add(f"表 {(j + 1)}")
        # 将表格数据写入工作表
        for row in range(table.Rows.Count):
            # 获取一行
            tableRow = table.Rows.get_Item(row)
            # 遍历一行中的单元格
            for cell in range(tableRow.Cells.Count):
                # 获取一个单元格
                tableCell = tableRow.Cells.get_Item(cell)
                # 获取单元格的内容
                cellText = ""
                for paragraph in range(tableCell.Paragraphs.Count):
                    paragraph = tableCell.Paragraphs.get_Item(paragraph)
                    cellText = cellText + paragraph.Text
                # 将单元格的内容写入工作表
                ws.SetCellValue(row + 1, cell + 1, cellText)

wb.SaveToFile("output/Word表格写入Excel.xlsx", FileFormat.Version2016)
doc.Close()
wb.Dispose()

提取结果

Python提取Word表格保存为Excel工作表

提取Word文档表格并保存为CSV文件

CSV文件以文本的文件的形式储存表格数据，因此，我们可以直接使用Spire.Doc for Python提取Word文档中的表格数据并写入到CSV文件。以下是操作步骤：

创建 Document 对象。
使用 Document 类的 LoadFromFile() 方法载入指定路径下的 Word 文档。
遍历载入的 Word 文档中的所有节（Sections）。
在每个节内，进一步遍历其包含的所有表格（Tables）。
对于每个表格，生成对应的 CSV 文件名，并以写模式打开这个文件，设置编码为 UTF-8 并开启新行模式。
创建 csv.writer 对象用于写入 CSV 文件内容。
根据表格的列数动态生成 CSV 文件的标题行（列名），并用 writerow() 方法写入到CSV文件中。
遍历当前表格的每一行（Rows），获取当前行对象。
对于每一行中的每个单元格，只提取第一个段落的文本内容，形成一行的数据列表。
使用 csv.writer 对象的 writerow() 方法将这一行的数据列表写入到对应的 CSV 文件中。
在完成一个表格的所有数据写入后，关闭已打开的 CSV 文件。
继续处理下一个表格，直至遍历完所有表格。

import csv
from spire.doc import *

# 创建Document对象
doc = Document()

# 载入Word文档
doc.LoadFromFile("示例.docx")

# 遍历文档中的节
for i in range(doc.Sections.Count):
    # 获取一个节
    section = doc.Sections.get_Item(i)
    # 遍历节中的表格
    for j in range(section.Tables.Count):
        # 获取一个表格
        table = section.Tables.get_Item(j)
        
        # 创建CSV文件名并打开文件
        csv_file_name = f"output/CSV/表_{(j + 1)}.csv"
        with open(csv_file_name, 'w', newline='', encoding='utf-8') as csvfile:
            writer = csv.writer(csvfile)
       
            # 遍历表格中的每一行
            for row in range(table.Rows.Count):
                # 获取一行
                tableRow = table.Rows.get_Item(row)
                
                # 读取一行中的单元格内容，只取每个单元格的第一个段落
                row_data = [tableRow.Cells.get_Item(cell).Paragraphs[0].Text for cell in range(tableRow.Cells.Count)]
                
                # 将单元格内容写入CSV文件
                writer.writerow(row_data)

doc.Close()