vue把页面存为doc_用Python读取doc文档表格

前言

前面的文章中，我们有介绍过Python-docx这个第三方包，基于它开发的docx-tpl对于根据模板批量生成文件有相当方便的地方，甚至我们还利用它开发了一个简单的模拟邮件合并的小程序。 然而，不得不让人遗憾的是，目前在Python的第三方包中，我还没有发现能直接对doc文档进行读取的包，但由于历史原因，在工作中，曾产生过大量的doc文档，且其中有一些还存储着一些表格，如何将这些doc文档中的表格提取出来，就是一个非常麻烦的事，如果只是一个文档还可以手工操作，但面对几百上千的doc文档，根本无法用手工去一一完成。

间接读取doc文档的思路

在查询了相当多的资料后，发现一个可靠的办法是将doc文件转换为docx文档，然后用Python-docx进行读取，通常我们会用office软件打开doc文件再另存为docx文件，其于这个思路也有一些批量转换工具，不过，如果安装了libreoffice这个软件的话，可以直接在命令行调用它来执行转换命令。 下面我们来测试一下用libreoffice的命令行工具转换一个测试文档，文档截图如下：

因为要用 libreoffice 进行转换，所以我们先来测试一下 libreoffice 是否安装成功：

从上图可知，目前我这台电脑上安装的 libreoffice 版本是 6.4.6.2 ，不过最新的 libreoffice 已经是 7.0.4 版本，界面更加美观。 关于 libreoffice 这里不再多说，同学们只须知道它也是一个类似于 MSOffice 的软件即可，如果想了解多一些，可以直接在它的官方网站上查阅更多信息。 用libreoffice将doc文件转换为docx文件的代码如下：

当命令运行结束时，我们会发现在原文件的当前目录下产生了一个同名的docx文件，如下图所示：

打开该 docx 文件，可以看到转换结果：

对比原文档图，可以看出，生成的新的 docx 文档在页面排版方面有一些变化，但内容看起来没有改变。 下面我们来读取该 docx 文档。

读取同名docx文档

用Python-docx读取docx文档中的表格代码如下：

从上述代码可以看出，在生成的新文档中有两个表格，这与我们的文档一致，要读取其中的内容，代码如下：

将上述代码转换成一个函数，专门来读取当前文档所有的表格，并将其转换成Pandas的DataFrame对象：

将转换后的文件表格中数据读取出来，一共有29条记录，这与我们的原文件是相吻合的。

Python调用命令行

如果用Python来调用libreoffice的命令行，只需要用os模块中的system即可：

至此，读取 doc 文件中的表格问题就解决了。 需要注意：在我所读取的doc文件中，表格的标题列是有序号字样，如果读者朋友的表格中不具备该字样，还应根据实际情况修改程序。

小结

本文对如何读取doc文件的表格数据进行了研究，并将其功能写成一个函数来输出Pandas的DataFrame对象。从实现的方法来说，有“曲线救国”的意图——毕竟还是要借助于libreoffice的转换功能才能完成，但从解决问题的角度来看，这是一个值得推荐的方法。