用python解析word文件（二）：table

太長了，我決定仍是拆開三篇寫。

 

（一）段落篇（paragraph）

（二）表格篇（table）（本篇）

（三）樣式篇（style）

選你所需便可。下面開始正文。

---

 

上一篇咱們講了用python-docx解析docx文件中的段落，也就是paragraph，不過細心的同窗可能發現了，只有天然段是能夠用paragraph處理的，若是word中有表格，根本讀都讀不到。這是正常的，由於表格在docx中是另外一個類。

 

一個word文檔中大概有這麼幾種類型的內容：paragraph（段落），table（表格），character（我也不知道該怎麼叫，字符？）。我如今要解析的word文檔中，基本都是段落和表格，因此character的具體內容我也沒有特別關注。本文主要來說一下如何從word中解析出表格，並在html中展現出來。

 

首先，很簡單，使用

docx.tables

 

能夠得到文檔中的所有表格。跟excel中相似，word文檔的表格也是分行（row）和列（column）的，讀的方法是，對每個table，先讀出所有的rows，再對每個row讀出所有的column，這裏的每行中的一列叫作一個單元格（cell），cell能作到的就跟一個paragraph相似了。若是用不着那麼麻煩地得到表格的樣式，就直接用

cell.text

 

獲取單元格內容就行了。那麼，一個二重循環，就獲取到了table中的所有文字內容。

可是這是不夠的。個人目的是要在html上展現出來。因此，須要在這一堆內容上添加html標籤。具體的作法，咱們來舉個栗子吧。

 

不對，拿錯了。應該是這樣：

 

這是一個word中的table。按照上面的方法，咱們能夠寫代碼以下：

for t in docx.tables:
    # todo

 

但其實對於word中的table，並無這麼簡單。有的時候，明明這一行只有一列，可是卻讀出多個值。那麼，對於相鄰的相同內容，就須要作去重處理。固然，這裏的「去重」也不是list(set())這麼簡單的，由於一行中的全部列應當有順序。因此，咱們採用添加元素的方式：

_table_list = []
for i, row in enumerate(table.rows):   # 讀每行
    row_content = []
    for cell in row.cells:  # 讀一行中的全部單元格
        c = cell.text
        if c not in row_content:
            row_content.append(c)
    # print(row_content)
    _table_list.append(row_content)

 

當要添加的元素跟行尾相同時不添加。結果是，上面的tables處理完後，是這樣的一堆列表（上面代碼中print的位置打印出的結果）：

['咱們來插入一個表格']
['這是一級標題1', '這是二級標題1.1', '這是三級標題1.1.1', '總結']
['這是一級標題1', '這是二級標題1.1', '這是三級標題1.1.2', '總結']
['這是一級標題1', '這是二級標題1.1', '這是三級標題1.1.3', '總結']
['這是一級標題1', '這是二級標題1.2', '這是三級標題1.2.1', '總結']
['這是一級標題1', '這是二級標題1.3', '這是三級標題1.3.1', '總結']
['這是一級標題1', '這是二級標題1.3', '這是三級標題1.3.2', '總結']
['別忙，還有內容']
['內容', '另外一段內容']

 

不過在去重以後，是無法直接用的……表格是個方格，從總體上來講就是一個矩陣，只是有些位置合併了單元格而已，咱們如今的二維數組各列可不是對齊的。因此接下來，須要進行填充處理。填充的方式並無 一腚之龜必定之規，這是由於咱們並不知道表格的具體規則如何。好在我要填的表有幾本規則：最多4列，若是某一行只有一個元素，就擴充爲4個，若是有兩個元素，就擴充爲前兩個元素一致，後兩個一致，即[0,1]的列表變成[0,0,1,1]這種形式。沒有一行三個元素的時候。我用了一個簡單的函數對每行進行了處理，這樣每一行都變成了4列，整個二維數組也變成了一個矩陣形式。

 

個人手動填充代碼是這樣的：

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

 

生成的結果是：

['咱們來插入一個表格', '咱們來插入一個表格', '咱們來插入一個表格', '咱們來插入一個表格']
['這是一級標題1', '這是二級標題1.1', '這是三級標題1.1.1', '總結']
['這是一級標題1', '這是二級標題1.1', '這是三級標題1.1.2', '總結']
['這是一級標題1', '這是二級標題1.1', '這是三級標題1.1.3', '總結']
['這是一級標題1', '這是二級標題1.2', '這是三級標題1.2.1', '總結']
['這是一級標題1', '這是二級標題1.3', '這是三級標題1.3.1', '總結']
['這是一級標題1', '這是二級標題1.3', '這是三級標題1.3.2', '總結']
['別忙，還有內容', '別忙，還有內容', '別忙，還有內容', '別忙，還有內容']
['內容', '內容', '另外一段內容', '另外一段內容']

 

像我這樣有規律的表格能夠這樣作，若是表格毫無規律，就只能聽天由命了。

 

那麼，爲何要先去重，再擴充？真的不是吃飽了撐的嗎？

 

緣由是，我在我項目中要處理的表，一行裏面最多有4列，第一行原本只有1列，結果我讀出來了6列。至於爲何會這樣，我也不清楚，只能說，用戶對於word的用法是五花八門的，只要能作出來想要的樣子，就徹底沒有規矩可言。鬼知道他們是否是把一個4個單元格拆成了6個，又合併成了1個。若是我直接使用6列的結果，是沒辦法作成html樣式的table的。

 

作擴展的目的，主要是爲了合併單元格。在html標籤中，用rowspan和colspan來表示跨行和跨列。舉個列子，若是一行是跨4列的，這一行應該是

<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>

 

造成這樣一個表格：

 

若是是跨行的，這一列應該是

<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>

 

造成這樣一個表格：

 

因此，咱們的下一步工做就是數數。數清楚在一行中有多少個相同的列，合併到一塊兒，整個矩陣中有多少個相同的行，合併到一塊兒。所謂的合併，就是數量加到上一行/列上去，而本行爲空。下圖是算法的示意：

 

合併行：

 

 

合併列：

 

 

 

在這樣一個二維數組中，每個元素是一個三元組，第一個元素是表格中的文本內容，第二個元素是rowspan的數量，第三個元素是colspan的數量。若是本行/列跟上一個有內容的行/列內容相同，就把內容加到那一行/列中，本行/列爲["", 0, 0]；若是不一樣，則保留。

 

代碼是醬嬸的：

def _table_matrix():
    if not table:
        return ""
 
    # 處理同一行的各列
    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)
 
    # 處理不一樣行
    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

 

邏輯上會有一點點難讀，在什麼狀況下數量加1，在哪裏加1，須要比較細緻地算，不然必定會亂。

 

最後這個數組出來以後，就能夠轉化html了。這個很簡單，套上tr和td標籤便可。代碼以下：

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

 

我沒有套table標籤，由於這個能夠在頁面上調一調樣式。沒必要徹底拘泥於word中的樣子，也沒辦法徹底按word來——若是一板一眼地按照word的方式設置，出來的html上的table確定是錯亂的，緣由嘛，仍是在於用戶的使用習慣。

 

最後，要是在jinja模板中使用的話，記得把字符串傳到頁面上的時候加上safe過濾器。

{{ table|safe }}

 

出來的表格大概是這樣的：

 

最後咱們來對比一下word和table：

 

若是手工調整一下html table的樣式，兩者應該能夠長得很像的，對吧？

 

好了，關於table，就介紹這麼多。