python docx 利用tables读取表格存在错行

最近因为工作原因一直在使用python docx提取word中的表格及内嵌文件

发现大家一般使用的提取方法都是直接用enumerate table.rows和row.cells直接读取表格的每行，每列，但是这样会导致一个问题，word中的table很多时候是手画的，或者经过多次编辑，行和列都存在对不齐的现象，如果用这种方法去提取表格则会导致串行。

于是我就想到直接读取表格的xml信息，然后用xml来提取表格信息的方法

##path 文件所在位置
##tb_location 所要提取的表格为文档中的第几个表格

def extract_table(path,tb_loc_dic):
    document = Document(path)
    tables = document.tables 

    rel_list=[]           
        
    proxy=[]
    for p in document.tables:
        proxy.append(p._element.xml)
    wp_lt=[]
    wt_lt=[]  
    cell_lt=[]  
    wtr_lt=[] 
    title_lt=[]
    cell0full=""
    cell0_lt=[]
    wp_lt_2=[]
    ##wtr 每行
    wtr_str=".//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}tr" 
    ## wtc 每个cel
    wtc_str=".//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}tc"
    ##wp 每个cell里每行
    wp_str=".//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}p" 
    ## wt 文字
    wt_str=".//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}t"
    ##numPr 编号
    wnumpr_str=".//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}numPr" 
    ##合并单元格
    wmerge_str=".//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}vMerge" 
   

    ##对每行的第一个cell 找编号，如果没有编号且有内容，就是title
    if tb_loc_dic!=-1:
        root=ET.fromstring(proxy[tb_loc_dic])
        wtrs=root.findall(wtr_str)

        for i in range(len(wtrs)):
            cells=wtrs[i].findall(wtc_str)          
            for j in range(len(cells)):
                ##一个cell中存在多行的情况 直接append 会丢失换行符
                ## 在一个wp里的是一行
                ##在每个wp里找wt 不同wp用\n连接
                wps=cells[j].findall(wp_str)
                if wps!=[]:
                    for h in range(len(wps)):
                        wts=wps[h].findall(wt_str)
                        if wts!=[] :
                            wt_lt=[]
                            for i in range(len(wts)):
                                if wts[i].text:
                                    wt_lt.append(wts[i].text)
                                    wtfull="".join(wt_lt)
                                else:
                                    wt_lt=wt_lt
                                    wtfull=wtfull
                            wp_lt.append(wtfull)
                            wpfull="\n".join(wp_lt)
                            wp_lt_2.append( wpfull)
                            wp_lt=[]
                        else:
                            ##上下行合并单元格
                            wvs=cells[j].findall(wmerge_str)
                            if wvs!=[]:
                                wpfull="merge"
                                # cell_lt.append("merge")
                            else:
                                wpfull=""
                                # wt_lt=[]
                    if wp_lt_2!=[]:
                        wpfull="\n".join(wp_lt_2)
                    else:
                        wpfull=wpfull
                    cell_lt.append(wpfull)
                    wp_lt_2=[]
                else:
                    cell_lt.append("")
                    cell_lt.append(wpfull)
            wtr_lt.append(cell_lt)
            cell_lt=[]
               

            
        for i in range(len(wtr_lt)):
            for j in range(len(wtr_lt[i])):
                if wtr_lt[i][j]=="merge" :
                    ##找到上面行同一位置最后一个不为merge的值
                    for h in range(0,i):
                        if wtr_lt[h][j]!="merge":
                            merge_value=wtr_lt[h][j]
                            wtr_lt[i][j]=merge_value
                        else:
                            pass
                else:
                    pass
        return wtr_lt
    else:
        return []