⽤python解析word⽂件（⼆）：table
太长了，我决定还是拆开三篇写。
（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
<
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 in docx.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 ws):  # 读每⾏
row_content = []
for cell lls:  # 读⼀⾏中的所有单元格
c =
if c not in row_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 in table])
new_table = []
for i, row in enumerate(table):
new_row = []
[d([i] * int(cols / len(row))) for i in row]
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
<table border="1" align="center">
<tr align="center"><td colspan="4">Row One</td></tr>
<tr align="center"><td>Row Two</td><td>Row Two</td><td>Row Two</td><td>Row Two</td></tr>
</table>
形成这样⼀个表格：
如果是跨⾏的，这⼀列应该是
<table border="1" align="center">
<tr><td rowspan="3">Left</td><td>Right</td></tr>
<tr><td>Right</td></tr>
<tr><td>Right</td></tr>
</table>
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 not table:
return""
# 处理同⼀⾏的各列
temp_matrix = []
for row in table:
if not row:
continue
col_last = [row[0], 1, 1]
line = [col_last]
for i, j in enumerate(row):
if i == 0:
continue
if j == col_last[0]:
col_last[2] += 1
line.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 in enumerate(temp_matrix):
if i == 0:
d(row)
python怎么读文件夹下的文件夹continue
new_row = []
for p, r in enumerate(row):
if p >= len(last_row):
break
last_pos = last_row[p]
if r[0] == last_pos[0] and last_pos[0] != "":
last_row[p][1] += 1
new_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：
def table2html(t):
table = _fill_blank(t)
matrix = _table_matrix(table)
html = ""
for row in matrix:
tr = "<tr>"
for col in row:
if col[1] == 0 and col[2] == 0:
continue
td = ["<td"]
if col[1] > 1:
td.append(" rowspan=\"%s\"" % col[1])
if col[2] > 1:
td.append(" colspan=\"%s\"" % col[2])
td.append(">%s</td>" % col[0])
tr += "".join(td)
tr += "</tr>"
html += tr
return 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。
{{ table|safe }}
出来的表格⼤概是这样的：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。