Python读取Word文档中的表格：从入门到精通

在日常办公或数据处理中，Word文档中的表格常常包含大量结构化信息，而手动复制粘贴不仅效率低下，还容易出错。本文将带你全面掌握使用Python读取Word表格的技巧，让你的数据提取自动化起来！

一、准备工作：安装python-docx

python-docx 是Python操作Word文档（.docx）的首选库。安装非常简单：

pip install python-docx

注意：该库不支持旧的 .doc 格式，如需处理 .doc 文件，可先用Word另存为 .docx。

二、读取Word文档中的表格

假设我们有一个名为“销售报表.docx”的文档，其中包含多个表格。以下代码将遍历所有表格并打印其内容：

from docx import Document

doc = Document('销售报表.docx')

for table in doc.tables:
    for row in table.rows:
        for cell in row.cells:
            print(cell.text, end='\t')
        print()  # 换行

三、进阶：获取表格结构

有时我们需要将表格数据转换为更易处理的格式，如列表嵌套字典，或直接转为Pandas DataFrame。以下示例展示如何提取表头和数据：

import pandas as pd

table = doc.tables[0]  # 假设我们只处理第一个表格
headers = [cell.text for cell in table.rows[0].cells]
data = []
for row in table.rows[1:]:
    row_data = [cell.text for cell in row.cells]
    data.append(row_data)

df = pd.DataFrame(data, columns=headers)
print(df)

四、处理合并单元格

合并单元格在Word表格中很常见。python-docx会为每个物理单元格（即使合并后消失）保留位置，但内容可能重复或为空。我们可以通过检测单元格的 tc 元素属性来判断：

def get_cell_text(cell):
    # 如果单元格是合并后的一部分，其内容可能为空或与主单元格相同
    # 更稳妥的方法：检查vMerge或gridSpan属性
    return cell.text if cell.tc and 'vMerge' not in cell.tc.get('w:val') else ''

五、实战：将表格导出为Excel

利用pandas导出到Excel，数据清洗一步到位：

import pandas as pd

# 假设df已经获得
df.to_excel('output.xlsx', index=False)

六、注意事项与常见问题

• 文档格式: 确保是 .docx 格式，.doc 请先转换。
• 表格嵌套: 如果表格嵌套在表格内，需递归处理。
• 性能: 大文档建议逐表处理，避免一次性加载所有表格导致内存占用过高。
• 中文编码: 正常使用无需特殊处理，但若遇到乱码，检查文件编码或系统区域设置。

七、结语

掌握python-docx操作Word表格，可以极大提升文档数据处理效率。结合pandas、Excel等工具，轻松实现办公自动化。现在，就去试试提取你手头Word文档中的表格数据吧！