Python 用 docx 处理 Word 中表格时出现的文本重复问题

这两天用docx提取Word中表格时, 发现对于稍稍复杂一点的表格就会出现很多重复项, 比如

使用代码

table_temp = []
path = r"./demo.docx" 
 
document = Document(path)
tables = document.tables
 
for row in tables[0].rows:
    row_temp = []
    for cell in row.cells:
        row_temp.append(cell.text)
    table_temp.append(row_temp)
table_temp

其得到结果部分为

 ['从何时开始\n运行',
  '\n\n2017.10',
  '每年运行费用（万元）',
  '每年运行费用（万元）',
  '每年运行费用（万元）',
  '\n\n2',
  '场地\n面积',
  '600㎡',
  '600㎡',
  '600㎡',
  '600㎡',
  '场地产权是否归团组织（如否，请注明使用年限）',
  '场地产权是否归团组织（如否，请注明使用年限）',
  '场地产权是否归团组织（如否，请注明使用年限）',
  '是',
  '是'],
 ['上级团组织或同级财政是否有配套经费',
  '无',
  '配套经费\n（万元）',
  '配套经费\n（万元）',
  '配套经费\n（万元）',
  '',
  '专职工作人员数',
  '现有',
  '现有',
  '拟安排',
  '拟安排',
  '兼职工作人员数',
  '兼职工作人员数',
  '兼职工作人员数',
  '现有',
  '拟安排'],
 ['上级团组织或同级财政是否有配套经费',
  '无',
  '配套经费\n（万元）',
  '配套经费\n（万元）',
  '配套经费\n（万元）',
  '',
  '专职工作人员数',

最初我试图跳过已出现的文本, 但是有不少文本本来就是多次出现的, 遂作罢.

之后阅读了部分源代码发现, 那些程序性重复文本是对同一个对象的引用, 所以只要在读取一个值后对其text置空或者任意自定义的其他, 就可以把后面将要出现的程序性重复项也设置为自定义项.

即

table_temp = []
path = r"demo.docx" 
null_text = str(time.time())
 
document = Document(path)
tables = document.tables
 
for row in tables[0].rows:
    row_temp = []
    for cell in row.cells:
        if cell.text != null_text:
            row_temp.append(cell.text)
            cell.text = null_text
    table_temp.append(row_temp)
table_temp

可得到

 [['申报平台\n名称'],
 ['负责人\n是否专职', '负责人\n姓  名', '手机'],
 ['平台所在地址及邮编', '联系电话 '],
 ['从何时开始\n运行', '每年运行费用（万元）', '场地\n面积', '场地产权是否归团组织（如否，请注明使用年限）'],
 ['上级团组织或同级财政是否有配套经费',
  '配套经费\n（万元）',
  '专职工作人员数',
  '现有',
  '拟安排',
  '兼职工作人员数',
  '现有',
  '拟安排'],
 [],
 ['是否与系统团组织共建', '共建单位名称'],
 ['申请\n经费用途'],
 ['综合服务平台或建设团组织近三年获得的荣誉'],
 ['已\n开\n展\n的\n服\n务\n项\n目', '项目名称', '项目内容', '服务群体', '服务人数']]

至此, 只要稍稍处理下规则就能愉快地格式化数据了

---

吐槽:

docx对于表格的处理真的太麻缠了, 几乎要被逼换vba, QWQ

---

从我的知乎文章搬运而来