使用PYTHON从Word转换的文本文件中提取指定表格区间内容的方法

区间内容提取实现 #

你已经完成了Word到文本的转换，直接用状态标记遍历法就可以提取两个指定关键词之间的内容，Python实现示例如下：

# 读取转换后的文本文件
with open("word_export.txt", "r", encoding="utf-8") as f:
    text_lines = f.readlines()

# 自定义起止标记关键词
start_tag = "table 1"
end_tag = "table 2"
recording_flag = False
result_list = []

for line in text_lines:
    # 匹配到起始标记，开启记录
    if start_tag in line:
        recording_flag = True
        # 若不需要保留起始标记本身，可添加continue跳过当前行
        continue
    # 匹配到结束标记，终止记录
    if end_tag in line:
        recording_flag = False
        break
    # 记录状态下存储当前行内容
    if recording_flag:
        result_list.append(line.strip())

# 如需转为字符串格式，使用join方法拼接即可
result_str = "\n".join(result_list)

如果需要批量提取所有table对应的内容，可以先生成所有table标记的有序列表（如[f"table {i}" for i in range(1, 总表格数+1)]），再两两配对循环调用上述逻辑即可。

结构化入库实现 #

提取到单张表格的内容后，根据你的文本排版规则做结构化处理：

• 若表格是制表符/空格等分隔符分隔的格式，直接用split()方法切割每行内容，匹配预设列名取值
• 若为固定宽度的纯文本表格，可以通过字符串切片、列名模糊匹配定位对应字段的取值位置
  结构化完成后，调用对应数据库的驱动包（如MySQL用pymysql、SQLite用内置的sqlite3）构造插入语句，即可写入数据库对应列。

全流程自动化封装 #

如果要实现上传Word后自动处理，可把Word转文本的逻辑和上述提取逻辑封装在一起，常用的Word文本提取依赖：

• 处理.docx格式文件用python-docx，示例：

from docx import Document
doc = Document("待处理文件.docx")
text_lines = [para.text for para in doc.paragraphs]

• 处理.doc格式文件可在Windows环境下用win32com，跨环境可用textract依赖实现。

内容的提问来源于stack exchange，提问作者YIF99