Python ComClient将docx生成的Word转PDF时表格表头标签错误求助

问题背景 #

我每年需要生成大量符合《美国残疾人法案》（ADA）无障碍规范的长表格PDF，单个表格会跨越多页。表格数据存储在文本文件中，首先通过Python Docx库生成间距、格式合规，且包含标题、作者等元数据的Word文档。
手动导出的效果正常：手动打开生成的Word文档，调用Word内置的Acrobat插件导出PDF，运行Adobe无障碍检查器时，表格表头的标签识别完全正常。
批量导出的问题：使用Python ComClient将Word文档批量转换为PDF，其余输出均符合要求，只有无障碍检查器报错提示表格表头校验失败。

问题根因 #

查看PDF标签结构可见，表格第一行存在一个重复出现「Path」字符的Span标签，该标签之后的表头标签标识正确。同一Word文档用内置Acrobat插件导出的PDF不存在该Span标签，因此该多余Span标签就是表头校验失败的直接原因。
标签结构对比：


多余Span标签的生成原因：ComClient调用的是Word原生的PDF导出逻辑，默认没有开启无障碍结构优化，处理重复表头的格式渲染时，会把用于绘制表头的路径元素错误写入内容标签树，生成内容为Path的无效Span。Acrobat插件的导出逻辑会自动过滤这类仅用于渲染的路径元素，所以手动导出不会出现该问题。

原有实现代码 #

表头生成代码 #

from docx import Document
from docx.shared import Cm, Pt, Inches
from docx.oxml import OxmlElement
from docx.oxml.shared import OxmlElement
from docx.oxml.ns import qn
import docx
import os
import sys
import comtypes.client
from docx.enum.text import WD_ALIGN_PARAGRAPH
from docx.enum.table import WD_ALIGN_VERTICAL
   
# function from github raphaelvalentin , much appreciated!
def set_repeat_table_header(row):
    """ set repeat table row on every new page
    """
    tr = row._tr
    trPr = tr.get_or_add_trPr()
    tblHeader = OxmlElement('w:tblHeader')
    tblHeader.set(qn('w:val'), "true")
    trPr.append(tblHeader)
    return row

# function from github AlbinoShadow, much appreciated: 
def prevent_document_break(document):#keeps table rows from splitting in half over a page break
    """https://github.com/python-openxml/python-docx/issues/245#event-621236139
       Globally prevent table cells from splitting across pages.
    """
    tags = document.element.xpath('//w:tr')
    rows = len(tags)
    for row in range(0, rows):
        tag = tags[row]  # Specify which <w:r> tag you want
        child = OxmlElement('w:cantSplit')  # Create arbitrary tag
        tag.append(child)  # Append in the new tag

doc = docx.Document()
cp = doc.core_properties
cp.author  = name #name defined previously
cp.title = title #title defined previously
table = doc.add_table(rows= row_ttl, cols= col_ttl)
table.autofit = False 
table.allow_autofit = False
table.style='Light Grid Accent 1'
set_repeat_table_header(table.rows[0])

原有PDF转换代码 #

pdf_name = file[:-3]+'pdf'
prevent_document_break(doc)
doc.save(ada_pdfs_folder+fldr+'/word_docs/' + file_name)
wdFormatPDF = 17
in_file = ada_pdfs_folder+fldr+'/word_docs/' + file_name
out_file =ada_pdfs_folder+fldr+'/' + pdf_name
word = comtypes.client.CreateObject('Word.Application')
doc2 = word.Documents.Open(in_file)
doc2.SaveAs(out_file, FileFormat=wdFormatPDF)
doc2.Close()
word.Quit()

解决方案 #

方案1：修改导出方法，开启Word原生无障碍导出配置 #

将原有的SaveAs方法替换为ExportAsFixedFormat，开启文档结构标签导出参数，即可避免生成无效Path Span标签，修改后的转换代码如下：

pdf_name = file[:-3]+'pdf'
prevent_document_break(doc)
doc.save(ada_pdfs_folder+fldr+'/word_docs/' + file_name)
in_file = ada_pdfs_folder+fldr+'/word_docs/' + file_name
out_file =ada_pdfs_folder+fldr+'/' + pdf_name
word = comtypes.client.CreateObject('Word.Application')
word.Visible = False # 后台运行避免弹窗
doc2 = word.Documents.Open(in_file)
# 调用专门的PDF导出方法，配置无障碍相关参数
doc2.ExportAsFixedFormat(
    OutputFileName=out_file,
    ExportFormat=17, # 对应wdExportFormatPDF
    OpenAfterExport=False,
    OptimizeFor=0,
    Range=0,
    From=0,
    To=0,
    Item=0,
    IncludeDocProps=True,
    KeepIRM=True,
    CreateBookmarks=1,
    DocStructureTags=True, # 关键参数：开启合规文档结构标签导出
    BitmapMissingFonts=True,
    UseISO19005_1=False
)
doc2.Close()
word.Quit()

方案2：调用Acrobat COM接口导出 #

如果需要和手动导出的效果完全一致，可直接调用Acrobat的COM接口处理Word文档，导出逻辑和手动操作完全匹配，不会生成多余Span标签。

方案3：导出后清理PDF标签 #

如果不方便修改导出逻辑，可使用pikepdf等PDF处理库读取生成的PDF，遍历标签树，删除所有内容为「Path」且位于表格表头下的无效Span标签。

内容的提问来源于stack exchange，提问作者ksteinmann