Офис и PDF

Извлечь таблицы из DOCX

Находит все таблицы и сохраняет каждую отдельным CSV или Markdown-файлом.

Python Windows macOS Linux Средний
Скачать docx_extract_tables.py
Описание

Что делает скрипт

Скрипт обходит таблицы DOCX через python-docx и переносит ячейки в CSV или Markdown. Каждая таблица получает отдельный файл с номером, поэтому большие документы проще проверять по частям. Существующие файлы не перезаписываются без --force.

Запуск

Быстрый старт

python docx_extract_tables.py report.docx

Скачайте файл, откройте терминал в папке со скриптом и выполните команду. В Linux и macOS интерпретатор может называться python3, в Windows - python или py.

Примеры

Другие варианты

  • python docx_extract_tables.py report.docx --format markdown
  • python docx_extract_tables.py contract.docx --outdir tables --force
Зависимости

Что понадобится

Python 3.10+ Интерпретатор и стандартная библиотека
Windows winget install Python.Python.3.12
macOS brew install python
Linux sudo apt install python3
python-docx Импортируется как docx
Windows py -m pip install python-docx
macOS python3 -m pip install python-docx
Linux python3 -m pip install python-docx
Исходник

docx_extract_tables.py

#!/usr/bin/env python3
"""Экспорт таблиц DOCX в CSV или Markdown."""
from __future__ import annotations

import argparse
import csv
import sys
from pathlib import Path

from docx import Document


def cell_text(value: str) -> str:
    return " ".join(value.split())


def write_csv(target: Path, rows: list[list[str]]) -> None:
    with target.open("w", encoding="utf-8", newline="") as handle:
        writer = csv.writer(handle)
        writer.writerows(rows)


def write_markdown(target: Path, rows: list[list[str]]) -> None:
    if not rows:
        target.write_text("\n", encoding="utf-8")
        return
    width = max(len(row) for row in rows)
    normalized = [row + [""] * (width - len(row)) for row in rows]
    lines = ["| " + " | ".join(normalized[0]) + " |"]
    lines.append("| " + " | ".join("---" for _ in range(width)) + " |")
    for row in normalized[1:]:
        lines.append("| " + " | ".join(cell.replace("|", "\\|") for cell in row) + " |")
    target.write_text("\n".join(lines) + "\n", encoding="utf-8")


def main() -> int:
    parser = argparse.ArgumentParser(description="Извлечь таблицы из DOCX")
    parser.add_argument("input", type=Path, help="Исходный DOCX")
    parser.add_argument("--format", choices=("csv", "markdown"), default="csv", help="Формат таблиц")
    parser.add_argument("--outdir", type=Path, default=Path("tables"), help="Папка результатов")
    parser.add_argument("--force", action="store_true", help="Перезаписать результаты")
    args = parser.parse_args()

    path = args.input.expanduser()
    if not path.is_file():
        print(f"Файл не найден: {path}", file=sys.stderr)
        return 2
    if path.suffix.lower() not in {".docx", ".docm"}:
        print("Поддерживаются файлы .docx и .docm", file=sys.stderr)
        return 2

    try:
        document = Document(str(path))
    except Exception as error:
        print(f"Не удалось открыть DOCX: {error}", file=sys.stderr)
        return 1

    outdir = args.outdir.expanduser()
    suffix = ".csv" if args.format == "csv" else ".md"
    saved = 0
    for index, table in enumerate(document.tables, start=1):
        target = outdir / f"{path.stem}_table_{index:02d}{suffix}"
        if target.exists() and not args.force:
            print(f"Пропуск, уже существует: {target}")
            continue
        rows = [[cell_text(cell.text) for cell in row.cells] for row in table.rows]
        target.parent.mkdir(parents=True, exist_ok=True)
        if args.format == "csv":
            write_csv(target, rows)
        else:
            write_markdown(target, rows)
        saved += 1
        print(f"Готово: {target} ({len(rows)} строк)")

    if saved == 0:
        print("Таблицы не найдены или все файлы уже существуют")
        return 1
    return 0


if __name__ == "__main__":
    raise SystemExit(main())

Скрипты работают с файлами и настройками системы. Перед запуском прочитайте код и проверьте пути. Особенно если скрипт удаляет, перезаписывает или перемещает данные.

CLI 1.0.0

Скачать без браузера

Команда скачает этот файл в текущую папку. CLI работает на Windows, macOS и Linux.

scriptdock get office-docx-extract-tables
  • Поиск по всему каталогу
  • Python 3.10+
  • Без внешних пакетов
Скачать CLI

GUI-версия готовится. Подробнее

Категория

Офис и PDF

PDF, Word, Excel, презентации, документы и печать.