Python提取Word表格数据的详细教程

目录

• 一、编写目的
• 二、环境准备
• 1、安装LibreOffice
• 2、安装python-docx
• 三、代码实现
• 1、转换成docx
• 2、读取和修改
• 四、总结

最近由于工作上的需要，需要使用Python完成DOC文档格式数据的读取和修改工作，但通过查阅相关资料，直接对DOC文档进行读取和修改没有相关的依赖(主要为doc文件为较早的windows系统支持格式)，需要将DOC文件转换为.docx格式，为什么是docx格式？

• ​​.docx 是 XML 格式，通常无编码问题​​，但若从其他格式转换可能出错。
• python-docx依赖库可以直接对docx文档格式进行操作，但无法对doc格式进行操作。

那么问题就转变为如何将doc格式转换为.docx格式的问题，有下面的解决方法:

• 如果你在windows系统上且安装有Microsoft Word 可以使用pywin32调用Word提供的COM口进行格式转换。

那如果就不想花钱或者安装Word，或者我使用的是其它系统（如Linux系统）又该如何转换doc格式到.docx格式呢？

这里也找到了相关的软件支持:LibreOffice。它提供了和Word几乎相同的功能，但其为免费开源的，并且可以通过命令行进行调用，最重要的可以多系统支持。

本篇文章就是记录使用LibreOffice+python-docx完成doc文档内表格的转换和修改的。

如果是Windows系统可以官网下载LibreOffice的.exe安装包，然后就是不断地下一步即可。

如果是Linux系统可以通过下面的命令进行安装:

Ubuntu/Debian​​:

sudo apt update && sudo apt install libreoffice

 ​Fedora​​:

sudo dnf install libreoffice

​​openSUSE​​:

sudo zypper install libreoffice

安装完成后，可以在命令行中进行版本验证:

soffice --version

如果输出下述内容则表明安装成功:

LibreOffice 25.2.3.2 bbb074479178df812d175f709636b368952c2ce3

 在已有的python环境下安装python-docx可以使用以下命令:

pip install python-docx

 根据上面的步骤，先进行doc到docx的转换，我们可以使用以下命令进行转换：

soffice --headless --convert-to <目标格式> <输入文件> [--outdir <输出目录>]

 当然这里需要再Python中进行命令行的调用，直接上代码：

import os
import subprocess
import re

def convert_doc_to_docx(doc_path, output_dir, soffice_path=None):
    """
    使用 LibreOffice 将 .doc 转换为 .docx
    :param doc_path: .doc 文件路径
    :param output_dir: 输出目录（默认当前目录）
    :param soffice_path: LibreOffice 的 soffice.exe 完整路径（可选）
    :return: 转换后的 .docx 文件路径
    """
    if not doc_path.lower().endswith('.doc'):
        raise ValueError("输入文件必须是 .doc 格式")

    # 确保输出目录存在
    os.makedirs(output_dir, exist_ok=True)

    # 构造输出路径
    base_name = os.path.splitext(os.path.basename(doc_path))[0]
    docx_path = os.path.join(output_dir, f"{base_name}.docx")

    # 检查 LibreOffice 是否安装
    if soffice_path is None:
        try:
            # 尝试调用 soffice 命令
            subprocess.run(["soffice", "--version"], check=True, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
            soffice_cmd = ["soffice"]
        except FileNotFoundError:
            raise RuntimeError("LibreOffice 未安装或未添加到系统 PATH 中。请确保 LibreOffice 已正确安装并在 PATH 中，或提供 soffice.exe 的完整路径。")
    else:
        soffice_cmd = [soffice_path]

    # 使用 LibreOffice 转换
    try:
        subprocess.run(
            soffice_cmd + ["--headless","--nodefault","--nologo", "--convert-to", "docx", "--outdir", output_dir, doc_path],
            check=True,
            stdout=subprocess.PIPE,
            stderr=subprocess.PIPE
        )
        if not os.path.exists(docx_path):
            raise RuntimeError(f"转换失败，未找到输出文件: {docx_path}")
        return docx_path
    except subprocess.CalledProcessError as e:
        error_msg = f"转换失败: {e.stderr.decode()}"
        raise RuntimeError(error_msg)

在上面的代码中先进行LibreOffice环境是否安装的检测，然后调用命令行进行目标文件的转换，转换完成的文件放到output_dir目录下。

转换成docx文件后就可以使用python-docx依赖对数据进行操作了，下面的Python代码实现了docx文档内表格的读取：

from docx import Document

def read_docx_tables(docx_path):
    """
    使用 python-docx 读取 .docx 文件中的表格
    :param docx_path: .docx 文件路径
    :return: 表格数据列表（每行是一个列表）
    """
    try:
        doc = Document(docx_path)
    except Exception as e:
        raise RuntimeError(f"无法读取 .docx 文件: {e}")

    tables_data = []

    for i, table in enumerate(doc.tables):
        print(f"n表格 {i + 1}:")
        table_data = []
        for row_idx, row in enumerate(table.rows):
            row_data = [cell.text.strip() for cell in row.cells]
            # 清理单元格中的特殊字符
            row_data = [clean_text(cell) for cell in row_data]
            table_data.append(row_data)
            print(row_data)
        tables_data.append(table_data)

    return tables_data

 修改起来也是非常方便的，只需要在更新row.cells[索引].text后，执行一下doc.save(docx_path)的操作，代码如下：

from docx import Document

def modify_docx_tables(docx_path, output_path=None, modify_func=None):
    """
    仅修改 .docx 文件中的表格数据（不读取原有数据）
    
    :param docx_path: 输入的 .docx 文件路径
    :param output_path: 输出的 .docx 文件路径（如果为 None，则覆盖原文件）
    :param modify_func: 修改表格数据的函数（接收 table 并直接修改）
    """
    if output_path is None:
        output_path = docx_path  # 默认覆盖原文件

    try:
        doc = Document(docx_path)
    except Exception as e:
        raise RuntimeError(f"无法读取 .docx 文件: {e}")

    for i, table in enumerate(doc.tables):
        print(f"n修改表格 {i + 1}:")
        
        """
        示例修改函数：将所有单元格内容改为 "MODIFIED"
        """
        for row in table.rows:
            for cell in row.cells:
                cell.text = "MODIFIED"  # 直接修改单元格内容

    # 保存修改后的文档
    doc.save(output_path)
    print(f"n表格数据已修改并保存到: {output_path}")

上面就是对doc格式的文档表格的读取和修改操作的全部内容了，虽然doc文件格式比较落后，但不可避免的有些公司可能有些比较古老的系统,在日常生产中就使用到doc文件格式，如果你有这方面的需求，希望这篇文章能帮助到你。

以上就是Python提取Word表格数据的详细教程的详细内容，更多关于Python提取Word表格数据的资料请关注风君子博客其它相关文章！

您可能感兴趣的文章:

• Python实现批量提取Word文档表格数据
• python解析html提取数据，并生成word文档实例解析
• Python实现word文档内容智能提取以及合成
• Python实现快速提取Word表格并转Markdown
• Python实现快速提取Word表格并写入Excel