docx高性能读取表格并保存csv

news2024/10/10 15:22:47

要使用 LibreOffice 读取 .docx 文件中的表格并将其保存为 CSV 文件，推荐使用 unoconv（LibreOffice 的一个命令行工具）和 Python 来进行自动化处理。LibreOffice 可以通过其 UNO API 处理 .docx 文件。

步骤如下：

安装 LibreOffice 和 unoconv
- 确保你的系统上安装了 LibreOffice。
- 安装 unoconv，这是 LibreOffice 的一个命令行转换工具，支持文档格式转换。
```
sudo apt install libreoffice unoconv
```
使用 Python 调用 LibreOffice 来读取 .docx 文件中的表格并转换为 CSV

下面是使用 Python 和 uno 库通过 LibreOffice 的 UNO 接口将 .docx 文件的表格数据提取出来并保存为 CSV 的代码示例：

代码示例

import uno
import os
import csv

def connect_to_libreoffice():
    """连接到正在运行的LibreOffice进程"""
    local_context = uno.getComponentContext()
    resolver = local_context.ServiceManager.createInstanceWithContext(
        "com.sun.star.bridge.UnoUrlResolver", local_context
    )
    # 连接到 LibreOffice (此URL基于默认配置, 启动LibreOffice时指定 --accept 参数)
    context = resolver.resolve(
        "uno:socket,host=localhost,port=2002;urp;StarOffice.ComponentContext"
    )
    return context

def load_docx(file_path, context):
    """加载docx文件"""
    desktop = context.ServiceManager.createInstanceWithContext(
        "com.sun.star.frame.Desktop", context
    )
    file_url = uno.systemPathToFileUrl(os.path.abspath(file_path))
    doc = desktop.loadComponentFromURL(file_url, "_blank", 0, ())
    return doc

def extract_table_from_doc(doc):
    """从docx文档中提取表格数据"""
    text_tables = doc.TextTables
    table_data = []
    
    for table in text_tables:
        rows = table.Rows.Count
        columns = table.Columns.Count
        
        for row_idx in range(rows):
            row_data = []
            for col_idx in range(columns):
                cell = table.getCellByPosition(col_idx, row_idx)
                row_data.append(cell.String.strip())
            table_data.append(row_data)
    
    return table_data

def save_as_csv(table_data, output_csv_path):
    """保存表格数据为CSV文件"""
    with open(output_csv_path, mode='w', newline='', encoding='utf-8') as file:
        writer = csv.writer(file)
        writer.writerows(table_data)

def main(docx_file_path, csv_file_path):
    context = connect_to_libreoffice()
    doc = load_docx(docx_file_path, context)
    table_data = extract_table_from_doc(doc)
    save_as_csv(table_data, csv_file_path)
    doc.dispose()  # 关闭文档

if __name__ == "__main__":
    docx_file = "your_docx_file.docx"  # 这里替换为你的docx文件路径
    csv_file = "output_file.csv"       # 这里替换为你想保存的csv文件路径
    
    main(docx_file, csv_file)

说明

连接 LibreOffice: connect_to_libreoffice 函数通过 UNO API 连接正在运行的 LibreOffice 实例。你需要通过命令启动 LibreOffice，并带有 --accept 参数，例如：
```
libreoffice --headless --accept="socket,host=localhost,port=2002;urp;" &
```
加载 DOCX 文件: load_docx 函数加载 .docx 文件，并通过 UNO API 获取其中的表格。
提取表格数据: extract_table_from_doc 函数提取文档中的所有表格数据，并将其存储为二维列表。
保存为 CSV 文件: save_as_csv 函数将提取到的表格数据保存为 CSV 文件。