Python批量提取Word文档表格数据 |
您所在的位置：网站首页 › Python批量提取PDF中表格信息 › Python批量提取Word文档表格数据 |
Python批量提取Word文档表格数据
|
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，pip：pip install Spire.Doc。如果是将表格保存到Excel工作表，则还需要用到Spire.XLS for Python，pip：pip install Spire.XLS。 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
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()提取结果：
以上内容讲述了如何通过Python提取Word文档中的表格，并转换为Excel工作表或CSV文件。 Spire.Doc for Python还支持许多其他功能，请前往Spire.Doc for Python教程查看。 申请免费许可 |
【本文地址】
今日新闻 |
推荐新闻 |