如何提取Word表格生成DataFrame，避免循环处理时新增多余行列

问题原因 #

原代码将所有表格的所有数据行无差别合并到同一个列表，生成DataFrame后转置时，每一条数据行会被转为独立的新列，不会按表格分组、按字段对齐填充缺失位置。

修正后代码 #

from docx.api import Document
import pandas as pd

def extract_tables_from_docx(path, output_path, name):
    document = Document(path)
    # 存储每个表格对应的字段序列
    table_series_list = []
    for table_idx, table in enumerate(document.tables, start=1):
        current_table_dict = {}
        # 跳过表头行，若你的表格没有表头可删除[1:]
        for row in table.rows[1:]:
            # 取当前行第一列为字段名，第二列为对应值，可根据你的表格结构调整
            field_name = row.cells[0].text.strip()
            field_value = row.cells[1].text.strip()
            current_table_dict[field_name] = field_value
        # 将当前表格转为Series，命名为对应表格标识，作为后续拼接的一列
        current_series = pd.Series(current_table_dict, name=f"表格{table_idx}")
        table_series_list.append(current_series)
    # 横向拼接所有表格序列，自动按字段名对齐，缺失值填充NaN
    final_df = pd.concat(table_series_list, axis=1)
    # 导出为csv，utf-8-sig编码保证中文在Excel中正常显示
    final_df.to_csv(f"{output_path}/{name}.csv", encoding="utf-8-sig")
    return final_df

逻辑说明 #

• 以单个表格为处理单位，每个表格提取为一个以字段名为索引的Series对象
• 调用pd.concat沿列方向拼接所有Series，会自动根据索引（字段名）对齐，对应字段有值就填充，无值则保留NaN，完全匹配你需要的效果
• 若你的表格结构不是两列键值对的格式，只需要调整行内单元格的取值逻辑即可

内容的提问来源于stack exchange，提问作者user14566335