如何从docx文件中的表中提取数据并将其转换为数据帧阿拉伯数据

Question

我正在尝试从 word 文件 .docx 的表中提取数据，并使用 python 将其转换为数据帧。 注意：它是阿拉伯文本，所以我使用编码（“utf-8”）

到目前为止，我能够获取 .docx 文件并获取表格（它有 13 列），但我无法显示文本。

我的代码错误在哪里？

代码：

import pandas as pd
import docx
        
         
document = docx.Document(path)
table = document.tables[0]
print(table)
        
data = []
        
for row in table.rows:    
    text = (row.cells[0].paragraphs[0].text.encode('utf-8'))
    data.append(text)
    print(data)
    
    
df = pd.DataFrame(data)

结果：

[b'']
[b'', b'']
[b'', b'', b'\xd8\xa7\xd9\x84\xd8\xb3\xd9\x84\xd8\xb7\xd8\xa7\xd8\xaa']
[b'', b'', b'\xd8\xa7\xd9\x84\xd8\xb3\xd9\x84\xd8\xb7\xd8\xa7\xd8\xaa', b'']
[b'', b'', b'\xd8\xa7\xd9\x84\xd8\xb3\xd9\x84\xd8\xb7\xd8\xa7\xd8\xaa', b'', b'\xd9\x81\xd8\xb1\xd8\xb9\xd8\xa7\xd9\x84\xd8\xaa\xd8\xad\xd9\x84\xd9\x8a\xd9\x84\xc2\xa0\n\n\n\n\n\n\n\n\n\n\n\n\n']
[b'', b'', b'\xd8\xa7\xd9\x84\xd8\xb3\xd9\x84\xd8\xb7\xd8\xa7\xd8\xaa', b'', b'\xd9\x81\xd8\xb1\xd8\xb9\xd8\xa7\xd9\x84\xd8\xaa\xd8\xad\xd9\x84\xd9\x8a\xd9\x84\xc2\xa0\n\n\n\n\n\n\n\n\n\n\n\n\n', b'']

Answer 1

首先，您应该删除

.encode('utf-8')

，这就是您的结果不可读的原因。

---

其次，您仅访问每行的第一列 (

row.cells[0]

)。

您需要添加另一个

for loop

来浏览各列，如下所示：

for row_index, row in enumerate(table.rows):
    data.append([])
    for col_index in range(13): # Loop through columns 
        cell_text= row.cells[col_index].paragraphs[0].text
        data[row_index].append(cell_text)

Answer 2

import pandas as pd
from docx import Document

def extract_table_to_dataframe(docx_file):
    # Open the .docx file
    doc = Document(docx_file)

    # Initialize an empty DataFrame
    df = pd.DataFrame()

    # Iterate through all the tables in the document
    for table in doc.tables:
        # Initialize an empty list to store table data
        table_data = []

        # Iterate through each row in the table
        for row in table.rows:
            # Extract the text content from each cell in the row and append it to the table data list
            row_data = [cell.text.strip() for cell in row.cells]
            table_data.append(row_data)

        # Convert the table data list into a DataFrame and append it to the result DataFrame
        table_df = pd.DataFrame(table_data)
        df = df.append(table_df, ignore_index=True)

    return df

# Call the function to extract table data into a DataFrame
docx_file = 'Sample.docx'  # Replace with your .docx file path
result_df = extract_table_to_dataframe(docx_file)

# Print or further process the DataFrame
print(result_df)