Python提取Word表格数据的详细教程

sudo apt update && sudo apt install libreoffice

sudo dnf install libreoffice

sudo zypper install libreoffice

soffice --version

LibreOffice 25.2.3.2 bbb074479178df812d175f709636b368952c2ce3

pip install python-docx

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

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)

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

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}")