Python提取Word表格数据的详细教程_Python

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

1、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

2、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

1、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。

2、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}")