如何将RTF格式文件中的表格转换为pandas DataFrame并导出CSV
RTF特殊表格提取转pandas实现方案
依赖安装
所需依赖为striprtf(RTF结构化解析)、pandas(表格处理),执行以下命令安装:
pip install striprtf pandas
核心实现代码
from striprtf import Striprtf import re import pandas as pd # 读取RTF原始文件 with open("目标文件.rtf", "r", encoding="utf-8", errors="ignore") as f: rtf_raw = f.read() # 解析RTF保留表格控制标记,避免丢失行列分隔信息 parser = Striprtf(rtf_raw) content_with_table_tags = parser.get_rtf_text(table_tags=True) # 匹配所有表格行,可根据你RTF的特殊结构调整正则规则 # RTF标准表格标记:\intbl 标识表格内部,\row 标识行结束,\cell 标识单元格结束 table_rows = re.findall(r'\\intbl(.*?)\\row', content_with_table_tags, re.DOTALL) parsed_table = [] for row in table_rows: # 提取当前行所有单元格内容,清洗多余RTF控制符 cells = [re.sub(r'\\[a-zA-Z0-9]+', '', cell).strip() for cell in re.findall(r'(.*?)\\cell', row)] # 过滤全空行 if any(cells): parsed_table.append(cells) # 生成DataFrame,替换columns为你实际的表头即可 df = pd.DataFrame(parsed_table, columns=["列名1", "列名2", "列名3"]) # 导出为CSV df.to_csv("输出结果.csv", index=False, encoding="utf-8-sig")
特殊结构适配
如果你的表格包含合并单元格、嵌套表格、多表格等特殊结构,按以下规则调整:
- 合并单元格:提取单元格时对空值执行前向填充即可补全合并单元格内容
- 多表格:增加
\trowd(表格行定义标记)的匹配逻辑,拆分不同表格分别处理 - 格式乱码:在单元格清洗步骤增加对应特殊字符的替换规则即可
结果验证
执行代码后打印df和你预期的输出格式对比,微调正则匹配规则即可完全匹配需求。
内容的提问来源于stack exchange,提问作者Revolucion for Monica
相关产品推荐
相关产品推荐

