用python解析word文件（二）：table

太长了，我决定还是拆开三篇写。

 

（一）段落篇（paragraph）

（二）表格篇（table）（本篇）

（三）样式篇（style）

选你所需即可。下面开始正文。

---

上一篇我们讲了用python-docx解析docx文件中的段落，也就是paragraph，不过细心的同学可能发现了，只有自然段是可以用paragraph处理的，如果word中有表格，根本读都读不到。这是正常的，因为表格在docx中是另一个类。

 

一个word文档中大概有这么几种类型的内容：paragraph（段落），table（表格），character（我也不知道该怎么叫，字符？）。我现在要解析的word文档中，基本都是段落和表格，所以character的具体内容我也没有特别关注。本文主要来讲一下如何从word中解析出表格，并在html中展示出来。

 

首先，很简单，使用

docx.tables

 

可以获得文档中的全部表格。跟excel中类似，word文档的表格也是分行（row）和列（column）的，读的方法是，对每一个table，先读出全部的rows，再对每一个row读出全部的column，这里的每行中的一列叫做一个单元格（cell），cell能做到的就跟一个paragraph类似了。如果用不着那么麻烦地获得表格的样式，就直接用

cell.text

 

获取单元格内容就好了。那么，一个二重循环，就获取到了table中的全部文字内容。

但是这是不够的。我的目的是要在html上展示出来。所以，需要在这一堆内容上添加html标签。具体的做法，我们来举个栗子吧。

 

不对，拿错了。应该是这样：

 

这是一个word中的table。按照上面的方法，我们可以写代码如下：

for t in docx.tables:
    # todo

但其实对于word中的table，并没有这么简单。有的时候，明明这一行只有一列，但是却读出多个值。那么，对于相邻的相同内容，就需要做去重处理。当然，这里的“去重”也不是list(set())这么简单的，因为一行中的所有列应当有顺序。所以，我们采用添加元素的方式：

_table_list = []
for i, row in enumerate(table.rows):   # 读每行
    row_content = []
    for cell in row.cells:  # 读一行中的所有单元格
        c = cell.text
        if c not in row_content:
            row_content.append(c)
    # print(row_content)
    _table_list.append(row_content)

当要添加的元素跟行尾相同时不添加。结果是，上面的tables处理完后，是这样的一堆列表（上面代码中print的位置打印出的结果）：

['我们来插入一个表格']
['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.1', '总结']
['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.2', '总结']
['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.3', '总结']
['这是一级标题1', '这是二级标题1.2', '这是三级标题1.2.1', '总结']
['这是一级标题1', '这是二级标题1.3', '这是三级标题1.3.1', '总结']
['这是一级标题1', '这是二级标题1.3', '这是三级标题1.3.2', '总结']
['别忙，还有内容']
['内容', '另一段内容']

不过在去重之后，是没法直接用的……表格是个方格，从整体上来说就是一个矩阵，只是有些位置合并了单元格而已，我们现在的二维数组各列可不是对齐的。所以接下来，需要进行填充处理。填充的方式并没有一腚之龟一定之规，这是因为我们并不知道表格的具体规则如何。好在我要填的表有几本规则：最多4列，如果某一行只有一个元素，就扩充为4个，如果有两个元素，就扩充为前两个元素一致，后两个一致，即[0,1]的列表变成[0,0,1,1]这种形式。没有一行三个元素的时候。我用了一个简单的函数对每行进行了处理，这样每一行都变成了4列，整个二维数组也变成了一个矩阵形式。

 

我的手动填充代码是这样的：

def _fill_blank(table):
    cols = max([len(i) for i in table])

    new_table = []
    for i, row in enumerate(table):
        new_row = []
        [new_row.extend([i] * int(cols / len(row))) for i in row]
        print(new_row)
        new_table.append(new_row)

    return new_table

生成的结果是：

['我们来插入一个表格', '我们来插入一个表格', '我们来插入一个表格', '我们来插入一个表格']
['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.1', '总结']
['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.2', '总结']
['这是一级标题1', '这是二级标题1.1', '这是三级标题1.1.3', '总结']
['这是一级标题1', '这是二级标题1.2', '这是三级标题1.2.1', '总结']
['这是一级标题1', '这是二级标题1.3', '这是三级标题1.3.1', '总结']
['这是一级标题1', '这是二级标题1.3', '这是三级标题1.3.2', '总结']
['别忙，还有内容', '别忙，还有内容', '别忙，还有内容', '别忙，还有内容']
['内容', '内容', '另一段内容', '另一段内容']

像我这样有规律的表格可以这样做，如果表格毫无规律，就只能听天由命了。

 

那么，为什么要先去重，再扩充？真的不是吃饱了撑的吗？

 

原因是，我在我项目中要处理的表，一行里面最多有4列，第一行本来只有1列，结果我读出来了6列。至于为什么会这样，我也不清楚，只能说，用户对于word的用法是五花八门的，只要能做出来想要的样子，就完全没有规矩可言。鬼知道他们是不是把一个4个单元格拆成了6个，又合并成了1个。如果我直接使用6列的结果，是没办法做成html样式的table的。

 

做扩展的目的，主要是为了合并单元格。在html标签中，用rowspan和colspan来表示跨行和跨列。举个列子，如果一行是跨4列的，这一行应该是

<table border="1" align="center">
    <tr align="center"><td colspan="4">Row One</td></tr>
    <tr align="center"><td>Row Two</td><td>Row Two</td><td>Row Two</td><td>Row Two</td></tr>
</table>

形成这样一个表格：

 

如果是跨行的，这一列应该是

<table border="1" align="center">
    <tr><td rowspan="3">Left</td><td>Right</td></tr>
    <tr><td>Right</td></tr>
    <tr><td>Right</td></tr>
</table>

形成这样一个表格：

 

所以，我们的下一步工作就是数数。数清楚在一行中有多少个相同的列，合并到一起，整个矩阵中有多少个相同的行，合并到一起。所谓的合并，就是数量加到上一行/列上去，而本行为空。下图是算法的示意：

 

合并行：

 

 

合并列：

 

 

 

在这样一个二维数组中，每一个元素是一个三元组，第一个元素是表格中的文本内容，第二个元素是rowspan的数量，第三个元素是colspan的数量。如果本行/列跟上一个有内容的行/列内容相同，就把内容加到那一行/列中，本行/列为["", 0, 0]；如果不同，则保留。

 

代码是酱婶的：

def _table_matrix():
    if not table:
        return ""

    # 处理同一行的各列
    temp_matrix = []
    for row in table:
        if not row:
            continue

        col_last = [row[0], 1, 1]
        line = [col_last]
        for i, j in enumerate(row):
            if i == 0:
                continue

            if j == col_last[0]:
                col_last[2] += 1
                line.append(["", 0, 0])
            else:
                col_last = [j, 1, 1]
                line.append(col_last)

        temp_matrix.append(line)

    # 处理不同行
    matrix = [temp_matrix[0]]
    last_row = []
    for i, row in enumerate(temp_matrix):
        if i == 0:
            last_row.extend(row)
            continue

        new_row = []
        for p, r in enumerate(row):
            if p >= len(last_row):
                break

            last_pos = last_row[p]

            if r[0] == last_pos[0] and last_pos[0] != "":
                last_row[p][1] += 1
                new_row.append(["", 0, 0])
            else:
                last_row[p] = row[p]
                new_row.append(r)

        matrix.append(new_row)

    return matrix

逻辑上会有一点点难读，在什么情况下数量加1，在哪里加1，需要比较细致地算，否则一定会乱。

 

最后这个数组出来之后，就可以转化html了。这个很简单，套上tr和td标签即可。代码如下：

def table2html(t):
    table = _fill_blank(t)
    matrix = _table_matrix(table)

    html = ""
    for row in matrix:
        tr = "<tr>"
        for col in row:
            if col[1] == 0 and col[2] == 0:
                continue

            td = ["<td"]
            if col[1] > 1:
                td.append(" rowspan=\"%s\"" % col[1])
            if col[2] > 1:
                td.append(" colspan=\"%s\"" % col[2])
            td.append(">%s</td>" % col[0])

            tr += "".join(td)
        tr += "</tr>"
        html += tr

    return html

我没有套table标签，因为这个可以在页面上调一调样式。不必完全拘泥于word中的样子，也没办法完全按word来——如果一板一眼地按照word的方式设置，出来的html上的table肯定是错乱的，原因嘛，还是在于用户的使用习惯。

 

最后，要是在jinja模板中使用的话，记得把字符串传到页面上的时候加上safe过滤器。

{{ table|safe }}

出来的表格大概是这样的：

 

最后我们来对比一下word和table：

 

如果手工调整一下html table的样式，二者应该可以长得很像的，对吧？

 

好了，关于table，就介绍这么多。