如何用Python提取Word文档双栏内容并存储为DataFrame？

先装依赖 #

需要用到python-docx处理Word文档，pandas生成DataFrame，执行安装命令：

pip install python-docx pandas

两种常见场景的代码实现 #

场景1：文档是两列表格（表头列+内容列） #

大部分会议模板会用表格规整两栏内容，直接遍历表格行提取即可：

import docx
import pandas as pd

# 加载目标Word文档
doc = docx.Document("会议文档.docx")

headers = []
contents = []

# 遍历文档中的表格（假设目标表格是第一个，可根据实际调整）
for table in doc.tables:
    for row in table.rows:
        # 确保每行至少有两个单元格
        if len(row.cells) >= 2:
            header = row.cells[0].text.strip()
            content = row.cells[1].text.strip()
            # 跳过空表头行
            if header:
                headers.append(header)
                contents.append(content)

# 生成目标DataFrame
df = pd.DataFrame([contents], columns=headers)
print(df)

场景2：文档是分栏布局（第一栏全表头，第二栏全内容） #

如果是Word分栏排版，第一栏排满表头后再排第二栏内容，需要先提取所有文本再拆分：

import docx
import pandas as pd

doc = docx.Document("会议文档.docx")

# 提取所有非空段落文本
all_text = [p.text.strip() for p in doc.paragraphs if p.text.strip()]

# 替换为你实际的表头数量（比如截图里有4个表头，就填4）
header_num = 4
headers = all_text[:header_num]
# 取对应数量的内容
contents = all_text[header_num:header_num + len(headers)]

df = pd.DataFrame([contents], columns=headers)
print(df)

额外说明 #

• 若文档有多个表格，可通过表头关键字（比如找包含"Title"的行）定位目标表格
• 遇到单元格内换行的情况，可把cell.text换成'\n'.join([run.text for run in cell.runs])来保留换行格式
• 分栏场景必须保证表头和内容的数量完全对应，否则会出现配对错误

内容的提问来源于stack exchange，提问作者Django0602