【Python办公】Python如何批量提取word文档中的表格

专栏导读

• 欢迎来到Python办公自动化专栏—Python处理办公问题，解放您的双手

• ️‍ 博客主页：请点击——> 一晌小贪欢的博客主页求关注

• 该系列文章专栏：请点击——>Python办公自动化专栏求订阅

• 此外还有爬虫专栏：请点击——>Python爬虫基础专栏求订阅

• 此外还有python基础专栏：请点击——>Python基础学习专栏求订阅

• 文章作者技术和水平有限，如果文中出现错误，希望大家能指正

• ❤️ 欢迎各位佬关注！ ❤️

在日常办公中，我们经常需要从大量的Word文档中提取表格数据进行分析和处理。手动复制粘贴不仅效率低下，还容易出错。本文将介绍如何使用Python自动化批量提取Word文档中的表格数据。

环境准备

• 首先需要安装必要的Python库：

pip install python-docx
pip install pandas
pip install openpyxl

核心库介绍

• python-docx：用于读取和操作Word文档
• pandas：用于数据处理和分析
• openpyxl：用于Excel文件的读写操作

单个Word文档表格提取

基础提取方法

from docx import Document
import pandas as pd

def extract_tables_from_word(file_path):
    """
    从Word文档中提取所有表格
    
    Args:
        file_path (str): Word文档路径
    
    Returns:
        list: 包含所有表格数据的列表
    """
    doc = Document(file_path)
    tables_data = []
    
    for i, table in enumerate(doc.tables):
        # 提取表格数据
        table_data = []
        for row in table.rows:
            row_data = []
            for cell in row.cells:
                row_data.append(cell.text.strip())
            table_data.append(row_data)
        
        tables_data.append({
   
   
            'table_index': i + 1,
            'data': table_data
        })
    
    return tables_data

# 使用示例
file_path = "example.docx"
tables = extract_tables_from_word(file_path)

for table_info in tables:
    print(f"表格 {
     
     table_info['table_index']}:")
    for row in table_info['data']:
        print(row)
    print("-" * 50)

转换为DataFrame

def table_to_dataframe(table_data, has_header=True):
    """
    将表格数据转换为pandas DataFrame
    
    Args:
        table_data (list): 表格数据
        has_header (bool): 是否包含表头
    
    Returns:
        pd.DataFrame: 转换后的DataFrame
    """
    if not table_data:
        return pd.DataFrame()
    
    if has_header:
        df = pd.DataFrame(table_data[1:], columns=table_data[0])
    else:
        df = pd.DataFrame(table_data)
    
    return df

# 使用示例
for table_info in tables:
    df = table_to_dataframe(table_info['data'])
    print(f"表格 {
     
     table_info['table_index']} DataFrame:")
    print(df)
    print("\n")

批量处理多个Word文档

批量提取并保存到Excel

import os
from pathlib import Path

def batch_extract_word_tables(folder_path, output_file="extracted_tables.xlsx"):
    """
    批量提取文件夹中所有Word文档的表格
    
    Args:
        folder_path (str): 包含Word文档的文件夹路径
        output_file (str): 输出Excel文件名
    """
    folder = Path(folder_path)
    all_tables = {
   
   }
    
    # 遍历文件夹中的所有Word文档
    for file_path in folder.glob("*.docx"):
        if file_path.name.startswith("~$"):  # 跳过临时文件
            continue
            
        print(f"正在处理: {
     
     file_path.name}")
        
        try:
            tables = extract_tables_from_word(file_path)
            
            for table_info in tables:
                # 创建唯一的表格标识
                table_key = f"{
     
     file_path.stem}_表格{
     
     table_info['table_index']}"
                
                # 转换为DataFrame
                df = table_to_dataframe(table_info