如何用Python docx读取并处理Word中无法识别的表格数据

我有一个docx文件，其中的表格无法被doc.tables识别，相关问题在python-docx的开源仓库中也存在未解决的记录。以下是我的测试代码，需要解决方案：

from docx import Document
import pandas as pd

doc = Document("non_readable_table.docx")

print(doc.tables)

def iter_tables(block_item_container):
    """Recursively generate all tables in `block_item_container`."""
    for t in block_item_container.tables:
        yield t
        for row in t.rows:
            for cell in row.cells:
                yield from iter_tables(cell)


dfs = []
for t in iter_tables(doc):
    table = t
    df = [['' for i in range(len(table.columns))] for j in range(len(table.rows))]
    for i, row in enumerate(table.rows):
        for j, cell in enumerate(row.cells):
            if cell.text:
                df[i][j] = cell.text.replace('\n', '')
    dfs.append(pd.DataFrame(df))

print(dfs)

这种情况通常是因为表格并非Word原生表格，而是用文本框、线条模拟的伪表格，python-docx仅能识别标准<w:tbl>标签定义的表格，对模拟表格无法直接识别。可尝试以下方案：

• 解析docx的XML结构：
  docx是zip压缩包，内部word/document.xml存储核心内容。直接读取该XML，根据文档实际结构定位表格相关元素（比如文本排版规律、线条元素）提取数据，示例框架：

  from zipfile import ZipFile
  import xml.etree.ElementTree as ET
  
  with ZipFile("non_readable_table.docx", 'r') as zf:
      with zf.open('word/document.xml') as f:
          tree = ET.parse(f)
          root = tree.getroot()
          # 根据XML标签特征编写提取逻辑，需匹配实际文档结构
  

• 用OCR工具提取结构化数据：
  将docx转为图片后，使用OCR工具（如pytesseract）识别内容，再通过表格识别库（如tabula-py）提取结构化表格数据。

• 更换处理库提取纯文本重构表格：
  使用docx2txt或textract提取纯文本，根据文本的缩进、换行、分隔符规律重构表格：

  import docx2txt
  
  text = docx2txt.process("non_readable_table.docx")
  rows = [row.strip() for row in text.split('\n') if row.strip()]
  table_data = [row.split('\t') for row in rows]
  

• 手动转换为原生表格：
  若文档数量少，可手动打开Word文件，选中模拟表格区域，右键选择「转换为表格」，将伪表格转为原生结构后，即可用python-docx正常识别。

内容的提问来源于stack exchange，提问作者xie186