Python小技巧：提取docx文件中表格

'''
使用的包：python-docx
安装方式：conda install -c conda-forge python-docx
帮助文档：https://python-docx.readthedocs.io/en/latest/index.html#
'''
import docx 
# import os
from docx import Document

# 1、路径出现的问题特别多，可以参考下方的程序检验路径
# 2、文件名称好像不能是中文
doc_file = '/Users/matthewfan/Documents/123.docx'
document = Document(doc_file)

tables = document.tables # 获取文档中的所有表格
table = tables[0] # 提取文档中的第一个表格，测试文档中仅有一个表格

lo = {} # 存储每一行去重后的数据
for row in range(0, len(table.rows)):
    row_list = []
    for col in range(0,len(table.row_cells(row))):  # 提取row行的全部列数据
        row_list.append(table.cell(row,col).text.replace('\n','').replace(' ', '')) # 去除字符串中的特殊字符，并添加到临时列表中
    lo[row] = (sorted(set(row_list), key = row_list.index)) # 在不变顺序的前提下，去除List中的重复项
    
    # 打印出每行的数据观察相关格式特征
    print(row, ":len(", len(lo[row]),'):',lo[row])

输出结果：

（1）可以通过数据的长度进行类型名与内容的区分

（2）可以通过配置文件进行类型的归类，提高docx文件变化而引起的开发量（暂不提供处理代码）

0 :len( 7 ): ['姓名', '***', '性