Извлечь таблицы из DOCX
Находит все таблицы и сохраняет каждую отдельным CSV или Markdown-файлом.
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.
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.
Другие варианты
python docx_extract_tables.py report.docx --format markdownpython docx_extract_tables.py contract.docx --outdir tables --force
Что понадобится
winget install Python.Python.3.12
brew install python
sudo apt install python3
py -m pip install python-docx
python3 -m pip install python-docx
python3 -m pip install python-docx
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.