Python提取Word表格数据教程(含.doc/.docx)

举报
盹猫 发表于 2025/07/19 15:36:25 2025/07/19
【摘要】 本文介绍了使用LibreOffice和python-docx库处理DOC文档表格的方法。首先需安装LibreOffice进行DOC到DOCX的格式转换,然后通过python-docx读取和修改表格数据。文中提供了详细的代码示例,包括格式转换函数、表格读取函数以及修改保存功能。该方法适用于Windows和Linux系统,解决了老旧DOC格式文档的处理难题,为需要处理历史文档的用户提供了实用解决方案。

✨重磅!盹猫的个人小站正式上线啦~诚邀各位技术大佬前来探秘!✨

 

这里有:

 
  • 硬核技术干货:编程技巧、开发经验、踩坑指南,带你解锁技术新姿势!
  • 趣味开发日常:代码背后的脑洞故事、工具测评,让技术圈不再枯燥~
  • 独家资源分享:开源项目、学习资料包,助你打怪升级快人一步!
 

🌟 来逛逛吧,说不定能挖到你正在找的技术宝藏哦~

目录

一、编写目的

二、环境准备

一、安装LibreOffice

 二、安装python-docx

三、代码实现

一、转换成docx

二、读取和修改

四、总结


欢迎来到 盹猫(>^ω^<)的博客


本篇文章主要介绍了

[Python提取Word表格数据教程(含.doc/.docx)]
❤博主广交技术好友,喜欢文章的可以关注一下❤



一、编写目的

        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。

二、环境准备

一、安装LibreOffice

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

 二、安装python-docx

 在已有的python环境下安装python-docx可以使用以下命令:

pip install python-docx

三、代码实现

一、转换成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。

二、读取和修改

          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}")


四、总结

        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。


如果你对区块链内容感兴趣可以查看我的专栏:小试牛刀-区块链

感谢您的关注和收藏!!!!!!

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。