如何按指定列标题批量从Word文档中提取目标表格？

以下是针对需求优化后的代码，能够自动识别包含指定表头的表格，不再依赖固定索引：

import pandas as pd
from docx.api import Document
import os

# 定义需要匹配的目标表头集合
TARGET_HEADERS = {'CONTACT NAME', 'POSITION', 'LOCATION', 'EMAIL', 'TELEPHONE', 'ASSET CLASS'}

path = 'C:\\Users\\user1\\test'
os.chdir(path)

data = []    

for filename in os.listdir(path):
    # 只处理docx格式的Word文档
    if not filename.endswith('.docx'):
        continue
    
    try:
        doc = Document(os.path.join(path, filename))
        target_table = None
        
        # 遍历当前文档的所有表格，寻找符合条件的目标表格
        for table in doc.tables:
            # 提取表格第一行的表头文本，去除空格并统一大写（避免大小写或空格差异）
            header_texts = [cell.text.strip().upper() for cell in table.rows[0].cells]
            header_set = set(header_texts)
            
            # 检查当前表格是否包含所有目标表头
            if TARGET_HEADERS.issubset(header_set):
                target_table = table
                break
        
        if target_table:
            # 提取表格数据，跳过表头行（从第二行开始）
            for row in target_table.rows[1:]:
                row_data = [cell.text.strip() for cell in row.cells]
                data.append(row_data)
        else:
            print(f"文件 {filename} 未找到目标表格")
    
    except Exception as e:
        print(f"处理文件 {filename} 时出错: {str(e)}")

# 将提取的数据转为DataFrame，指定列名
df = pd.DataFrame(data, columns=list(TARGET_HEADERS))
print(df)
# 可选：将结果保存到Excel文件
# df.to_excel('提取结果.xlsx', index=False)

关键修改说明 #

• 动态识别表格：不再固定取第8个表格，改为遍历文档内所有表格，通过比对表头集合确定目标表格，解决表格位置不固定的问题。
• 表头容错处理：对表头文本做了去空格、统一大写的处理，避免因文档中表头大小写不一致、带空格导致的匹配失败。
• 异常防护：添加了异常捕获机制，单个文档处理出错不会中断整个批量任务，同时打印错误信息方便排查。
• 数据过滤：只处理.docx格式文件，避免非Word文档干扰；提取数据时跳过表头行，避免表头混入结果数据。

内容的提问来源于stack exchange，提问作者AJenkins