### 提取 Word 文档中的表格及其表头 使用 Python 提取 Word 文档中的表格及其表头可以通过 `python-docx` 库实现。该库支持读取 `.docx` 格式的文档，并允许遍历表格中的行和列，从而提取表头和数据内容。 #### 安装依赖库 在开始之前，需要安装 `python-docx` 库。可以使用以下命令进行安装： ```bash pip install python-docx ``` #### 提取表格及其表头的基本方法 以下是一个示例代码，展示如何提取 Word 文档中所有表格的表头和数据： ```python from docx import Document def extract_tables_with_headers(doc_path): # 打开 Word 文档 doc = Document(doc_path) # 遍历文档中的所有表格 for table_index, table in enumerate(doc.tables): print(f"表格 {table_index + 1} 的内容：") # 提取表头 headers = [] for cell in table.rows[0].cells: headers.append(cell.text.strip()) print("表头:", headers) # 提取表格数据 for row_index, row in enumerate(table.rows): if row_index == 0: continue # 跳过表头行 row_data = [cell.text.strip() for cell in row.cells] print(f"行 {row_index + 1}:", row_data) print("\n" + "-" * 50 + "\n") # 调用函数提取表格及其表头 extract_tables_with_headers('example.docx') ``` #### 代码说明 1. **打开文档**：使用 `Document` 类加载 Word 文档。 2. **遍历表格**：通过 `doc.tables` 获取文档中的所有表格。 3. **提取表头**：通常表头位于表格的第一行，通过遍历第一行的单元格提取表头内容。 4. **提取数据行**：从第二行开始遍历表格的行，提取每行的数据。 #### 处理复杂表格结构 对于包含合并单元格或复杂格式的表格，`python-docx` 可能无法直接处理。在这种情况下，需要手动解析表格的结构，或者结合其他库（如 `pandas`）进行数据清洗和整理。 #### 批量处理多个 Word 文档 如果需要批量处理多个 Word 文档，可以通过遍历文件列表并调用上述函数实现： ```python import os def batch_extract_tables_with_headers(folder_path): # 遍历文件夹中的所有 .docx 文件 for filename in os.listdir(folder_path): if filename.endswith('.docx'): file_path = os.path.join(folder_path, filename) print(f"正在处理文件: {filename}") extract_tables_with_headers(file_path) # 调用函数批量处理 Word 文档 batch_extract_tables_with_headers('word_files') ``` #### 注意事项 - **文件格式**：确保文档为 `.docx` 格式，`python-docx` 不支持 `.doc` 格式。 - **复杂表格**：对于包含合并单元格或特殊格式的表格，可能需要额外处理逻辑。 - **性能**：处理大量文件时，建议优化代码以提高性能，例如使用多线程或异步处理。 ---