python table_用python解析word文件（二）：table

（二）表格篇（table）（本篇）

选你所需即可。下面开始正文。

上一篇我们讲了用python-docx解析docx文件中的段落，也就是paragraph，不过细心的同学可能发现了，只有自然段是可以用paragraph处理的，如果word中有表格，根本读都读不到。这是正常的，因为表格在docx中是另一个类。

一个word文档中大概有这么几种类型的内容：paragraph（段落），table（表格），character（我也不知道该怎么叫，字符？）。我现在要解析的word文档中，基本都是段落和表格，所以character的具体内容我也没有特别关注。本文主要来讲一下如何从word中解析出表格，并在html中展示出来。

首先，很简单，使用

docx.tables

可以获得文档中的全部表格。跟excel中类似，word文档的表格也是分行（row）和列（column）的，读的方法是，对每一个table，先读出全部的rows，再对每一个row读出全部的column，这里的每行中的一列叫做一个单元格（cell），cell能做到的就跟一个paragraph类似了。如果用不着那么麻烦地获得表格的样式，就直接用

cell.text

获取单元格内容就好了。那么，一个二重循环，就获取到了table中的全部文字内容。

但是这是不够的。我的目的是要在html上展示出来。所以，需要在这一堆内容上添加html标签。具体的做法，我们来举个栗子吧。

不对，拿错了。应该是这样：

这是一个word中的table。按照上面的方法，我们可以写代码如下：

for t indocx.tables:#todo

但其实对于word中的table，并没有这么简单。有的时候，明明这一行只有一列，但是却读出多个值。那么，对于相邻的相同内容，就需要做去重处理。当然，这里的“去重”也不是list(set())这么简单的，因为一行中的所有列应当有顺序。所以，我们采用添加元素的方式：

_table_list =[]for i, row in enumerate(table.rows): #读每行

row_content =[]for cell in row.cells: #读一行中的所有单元格

c =cell.textif c not inrow_content:

row_content.append(c)#print(row_content)

_table_list.append(row_content)

当要添加的元素跟行尾相同时不添加。结果是，上面的tables处理完后，是这样的一堆列表（上面代码中print的位置打印出的结果）：

['我们来插入一个表格']

['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.1', '总结']

['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.2', '总结']

['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.3', '总结']

['这是一级标题1', '这是二级标题1.2', '这是三级标题1.2.1', '总结']

['这是一级标题1', '这是二级标题1.3', '这是三级标题1.3.1', '总结']

['这是一级标题1', '这是二级标题1.3', '这是三级标题1.3.2', '总结']

['别忙，还有内容']

['内容', '另一段内容']

不过在去重之后，是没法直接用的……表格是个方格，从整体上来说就是一个矩阵，只是有些位置合并了单元格而已，我们现在的二维数组各列可不是对齐的。所以接下来，需要进行填充处理。填充的方式并没有一腚之龟一定之规，这是因为我们并不知道表格的具体规则如何。好在我要填的表有几本规则：最多4列，如果某一行只有一个元素，就扩充为4个，如果有两个元素，就扩充为前两个元素一致，后两个一致，即[0,1]的列表变成[0,0,1,1]这种形式。没有一行三个元素的时候。我用了一个简单的函数对每行进行了处理，这样每一行都变成了4列，整个二维数组也变成了一个矩阵形式。

我的手动填充代码是这样的：

def_fill_blank(table):

cols= max([len(i) for i intable])

new_table=[]for i, row inenumerate(table):

new_row=[]

[new_row.extend([i]* int(cols / len(row))) for i inrow]print(new_row)

new_table.append(new_row)return new_table

生成的结果是：

['我们来插入一个表格', '我们来插入一个表格', '我们来插入一个表格', '我们来插入一个表格']

['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.1', '总结']

['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.2', '总结']

['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.3', '总结']

['这是一级标题1', '这是二级标题1.2', '这是三级标题1.2.1', '总结']

['这是一级标题1', '这是二级标题1.3', '这是三级标题1.3.1', '总结']

['这是一级标题1', '这是二级标题1.3', '这是三级标题1.3.2', '总结']

['别忙，还有内容', '别忙，还有内容', '别忙，还有内容', '别忙，还有内容']

['内容', '内容', '另一段内容', '另一段内容']

像我这样有规律的表格可以这样做，如果表格毫无规律，就只能听天由命了。

那么，为什么要先去重，再扩充？真的不是吃饱了撑的吗？

原因是，我在我项目中要处理的表，一行里面最多有4列，第一行本来只有1列，结果我读出来了6列。至于为什么会这样，我也不清楚，只能说，用户对于word的用法是五花八门的，只要能做出来想要的样子，就完全没有规矩可言。鬼知道他们是不是把一个4个单元格拆成了6个，又合并成了1个。如果我直接使用6列的结果，是没办法做成html样式的table的。

做扩展的目的，主要是为了合并单元格。在html标签中，用rowspan和colspan来表示跨行和跨列。举个列子，如果一行是跨4列的，这一行应该是

Row One

Row TwoRow TwoRow TwoRow Two

形成这样一个表格：

如果是跨行的，这一列应该是

Right Right Right

形成这样一个表格：

所以，我们的下一步工作就是数数。数清楚在一行中有多少个相同的列，合并到一起，整个矩阵中有多少个相同的行，合并到一起。所谓的合并，就是数量加到上一行/列上去，而本行为空。下图是算法的示意：

合并行：

合并列：

在这样一个二维数组中，每一个元素是一个三元组，第一个元素是表格中的文本内容，第二个元素是rowspan的数量，第三个元素是colspan的数量。如果本行/列跟上一个有内容的行/列内容相同，就把内容加到那一行/列中，本行/列为["", 0, 0]；如果不同，则保留。

代码是酱婶的：

def_table_matrix():if nottable:return ""

#处理同一行的各列

temp_matrix =[]for row intable:if notrow:continuecol_last= [row[0], 1, 1]

line=[col_last]for i, j inenumerate(row):if i ==0:continue

if j ==col_last[0]:

col_last[2] += 1line.append(["", 0, 0])else:

col_last= [j, 1, 1]

line.append(col_last)

temp_matrix.append(line)#处理不同行

matrix =[temp_matrix[0]]

last_row=[]for i, row inenumerate(temp_matrix):if i ==0:

last_row.extend(row)continuenew_row=[]for p, r inenumerate(row):if p >=len(last_row):breaklast_pos=last_row[p]if r[0] == last_pos[0] and last_pos[0] != "":

last_row[p][1] += 1new_row.append(["", 0, 0])else:

last_row[p]=row[p]

new_row.append(r)

matrix.append(new_row)return matrix

逻辑上会有一点点难读，在什么情况下数量加1，在哪里加1，需要比较细致地算，否则一定会乱。

最后这个数组出来之后，就可以转化html了。这个很简单，套上tr和td标签即可。代码如下：

deftable2html(t):

table=_fill_blank(t)

matrix=_table_matrix(table)

html= ""

for row inmatrix:

tr= "

for col inrow:if col[1] == 0 and col[2] ==0:continuetd= ["

td.append("rowspan=\"%s\"" % col[1])if col[2] > 1:

td.append("colspan=\"%s\"" % col[2])

td.append(">%s

" %col[0])

tr+= "".join(td)

tr+= "

"html+=trreturn html

我没有套table标签，因为这个可以在页面上调一调样式。不必完全拘泥于word中的样子，也没办法完全按word来——如果一板一眼地按照word的方式设置，出来的html上的table肯定是错乱的，原因嘛，还是在于用户的使用习惯。

最后，要是在jinja模板中使用的话，记得把字符串传到页面上的时候加上safe过滤器。

出来的表格大概是这样的：

最后我们来对比一下word和table：

如果手工调整一下html table的样式，二者应该可以长得很像的，对吧？

好了，关于table，就介绍这么多。

python table_用python解析word文件（二）：table相关推荐

应用python的docx模块解析word文件内容
目录工作问题涉及知识点实现过程目标调用对应的库和模块定义通用方法 1.[遍历全部的同格式文件]返回一个文件夹内,限定某类格式文件,返回全部这类文件的绝对路径 2.[提取段落&表格中 ...
Python编程--使用PyPDF解析PDF文件中的元数据
Python编程–使用PyPDF解析PDF文件中的元数据元数据作为一种文件里非常明显可见的对象,元数据可以存在于文档.电子表格.图片.音频和视频文件中.创建这些文件的应用程序可能会把文档的作者.创 ...
python文本筛选多个word_用Python批量替换多个Word文件中的文字
实例14:用Python批量替换多个Word文件中的文字公众号"Python操作Office软件高效工作" 29 人赞同了该文章我们在实例7中批量生成了采购合同.但是假设现在我 ...
word批量替换多组文字 python_实例14：用Python批量替换多个Word文件中的文字
我们在实例7中批量生成了采购合同.但是假设现在我方的公司名由"ABC商贸有限公司"变成了"ABC贸易有限公司",那我们就需要去每份合同中对应位置进行替换.当然也 ...
用python解析word文件（三）：style
https://www.cnblogs.com/anpengapple/p/8372991.html 太长了,我决定还是拆开三篇写. (一)段落篇(paragraph) (二)表格篇(table) ( ...
Python批量导入图片到Word文件
问题背景:2017年4月应华章公司邀请,翻译一本来自美国的Python入门教材,全书共750页,2018年4月完成翻译交稿,2018年9月责任编辑寄来样稿进行印刷前校对.经过半个月的检查和校对,又进行 ...
Python：读取两种Word文件简述及文件未能引发事件错误
Python 中可以读取 word 文件的库有 python-docx 和 pywin32. 优点缺点python-docx跨平台只能处理 .docx 格式,不能处理.doc格式pywin32仅限 w ...
「Python」 ElementTree模块解析xml文件，建议小白阅读全文
背景 Python有三种方法解析xml:SAX,DOM,Elementree.本文记录ElementTree方法解析xml. 目前自己用的是Python3.6,但在该版本中并没有xml的缩进函数ET. ...
python解析xml文件elementtree_在python中使用ElementTree解析xml文件
ElementTree是python自带的处理xml格式文件的模块,位于libxmletreeElementTree.py.这个模块有两个基本概念:Element和ElementTree. 表示整个树 ...

python table_用python解析word文件（二）：table

python table_用python解析word文件（二）：table相关推荐

最新文章

热门文章