查看: 110|回复: 3

Python将Word转JSON三种实现:段落、表格与层级结构

[复制链接]
发表于 半小时前 | 显示全部楼层 |阅读模式
Word 文档面向人类阅读,JSON 面向程序消费。把 Word 转成 JSON,本质上是一次结构映射:段落、表格、标题等文档组件要翻译成键值对与数组。下面按三种粒度给出实现:只取段落文本、只取表格对象数组、保留文档顺序与内容类型的层级 JSON。三种方式共用加载文档、按节遍历、读取内容、序列化输出这套基础 API,差异在遍历粒度与字段组织。

环境准备
安装文档处理库:
  1. pip install spire.doc
复制代码
该库支持 .doc 与 .docx 读写,运行时不要求本机安装 Office。示例路径可按实际文件调整。结构遍历和类型判断还需导入 spire.doc.common,否则 Paragraph、Table 等类型不可用,isinstance 判断会失败。

方法一:提取段落文本为 JSON 数组
适合全文索引、文本向量化等下游只消费纯文本的场景。思路是遍历文档的节与段落,过滤空白段落,再序列化。Word 文档层级为文档包含若干节,每节包含若干段落,逐层遍历可以控制提取范围。
  1. import json
  2. from spire.doc import Document
  3. from spire.doc.common import *
  4. input_file = '项目报告.docx'
  5. output_file = 'paragraphs.json'
  6. document = Document()
  7. document.LoadFromFile(input_file)
  8. paragraphs = []
  9. for i in range(document.Sections.Count):
  10.     section = document.Sections.get_Item(i)
  11.     for j in range(section.Paragraphs.Count):
  12.         paragraph = section.Paragraphs.get_Item(j)
  13.         text = paragraph.Text
  14.         if text.strip():
  15.             paragraphs.append(text)
  16. document.Close()
  17. result = {
  18.     'source': input_file,
  19.     'paragraph_count': len(paragraphs),
  20.     'paragraphs': paragraphs
  21. }
  22. with open(output_file, 'w', encoding='utf-8') as f:
  23.     json.dump(result, f, indent=2, ensure_ascii=False)
复制代码
输出包含 source、paragraph_count 和 paragraphs 三个字段。局限是标题、正文、列表项没有区分,文档层级信息丢失;若后续需要识别内容类型,应选择更细粒度方案。

方法二:将 Word 表格转为 JSON 对象数组
报表、发票、产品清单等文档中,表格常承载主要结构化数据。Word 表格有行列结构,首行通常为列标题,后续行为数据记录,适合映射为 JSON 对象数组。以下代码遍历所有表格,以首行为字段名,将每一数据行转为对象。对列数与表头长度不一致的情况做兜底,超出表头范围的列以 Column_{c} 命名,避免索引越界。
  1. import json
  2. from spire.doc import Document
  3. from spire.doc.common import *
  4. input_file = '销售数据.docx'
  5. output_file = 'tables.json'
  6. document = Document()
  7. document.LoadFromFile(input_file)
  8. all_tables = []
  9. for i in range(document.Sections.Count):
  10.     section = document.Sections.get_Item(i)
  11.     for t in range(section.Tables.Count):
  12.         table = section.Tables.get_Item(t)
  13.         rows_data = []
  14.         if table.Rows.Count < 2:
  15.             continue
  16.         header_row = table.Rows[0]
  17.         headers = []
  18.         for c in range(header_row.Cells.Count):
  19.             cell_text = header_row.Cells[c].Paragraphs[0].Text.strip()
  20.             headers.append(cell_text)
  21.         for r in range(1, table.Rows.Count):
  22.             row = table.Rows[r]
  23.             row_dict = {}
  24.             for c in range(row.Cells.Count):
  25.                 cell_text = row.Cells[c].Paragraphs[0].Text.strip()
  26.                 row_dict[headers[c] if c < len(headers) else f'Column_{c}'] = cell_text
  27.             rows_data.append(row_dict)
  28.         all_tables.append({
  29.             'table_index': t,
  30.             'headers': headers,
  31.             'row_count': len(rows_data),
  32.             'rows': rows_data
  33.         })
  34. document.Close()
  35. result = {
  36.     'source': input_file,
  37.     'table_count': len(all_tables),
  38.     'tables': all_tables
  39. }
  40. with open(output_file, 'w', encoding='utf-8') as f:
  41.     json.dump(result, f, indent=2, ensure_ascii=False)
复制代码
输出包含 table_count 与 tables;每张表记录 table_index、headers、row_count、rows。row_count 便于判断空表。表格为主时,这种 JSON 可直接导入数据库或数据分析工具,省去手动解析文本。

方法三:保留文档结构的层级化 JSON
前两种方法一个只拿文本,一个只拿表格。若目标是为 RAG 管道或知识库准备数据,更合理的是保留文档原始顺序与内容类型,让标题、段落、表格在 JSON 中各得其所。section.Body.ChildObjects 可按文档顺序返回所有元素,而非分别遍历段落集合或表格集合,因此标题与其下方正文的关联关系可以保留。实现时用段落的 StyleName 判断标题并映射级别;Word 标题样式名可能因模板或语言设置不同,如 Heading1、Heading 1 或中文的标题 1,实际项目查找前应先规范化样式名。
  1. import json
  2. from spire.doc import *
  3. from spire.doc.common import *
  4. input_file = '项目报告.docx'
  5. output_file = 'structured_output.json'
  6. HEADING_STYLES = {
  7.     'Heading1': 1,
  8.     'Heading2': 2,
  9.     'Heading3': 3,
  10.     'Heading4': 4,
  11. }
  12. def get_heading_level(style_name):
  13.     return HEADING_STYLES.get(style_name, None)
  14. def extract_table_data(table):
  15.     rows_data = []
  16.     if table.Rows.Count < 1:
  17.         return {'headers': [], 'rows': []}
  18.     header_row = table.Rows[0]
  19.     headers = []
  20.     for c in range(header_row.Cells.Count):
  21.         headers.append(header_row.Cells[c].Paragraphs[0].Text.strip())
  22.     for r in range(1, table.Rows.Count):
  23.         row = table.Rows[r]
  24.         row_dict = {}
  25.         for c in range(row.Cells.Count):
  26.             cell_text = row.Cells[c].Paragraphs[0].Text.strip()
  27.             row_dict[headers[c] if c < len(headers) else f'Column_{c}'] = cell_text
  28.         rows_data.append(row_dict)
  29.     return {'headers': headers, 'rows': rows_data}
  30. document = Document()
  31. document.LoadFromFile(input_file)
  32. sections_data = []
  33. for i in range(document.Sections.Count):
  34.     section = document.Sections.get_Item(i)
  35.     content_items = []
  36.     for j in range(section.Body.ChildObjects.Count):
  37.         obj = section.Body.ChildObjects.get_Item(j)
  38.         if isinstance(obj, Paragraph):
  39.             text = obj.Text.strip()
  40.             if not text:
  41.                 continue
  42.             heading_level = get_heading_level(obj.StyleName)
  43.             if heading_level:
  44.                 content_items.append({
  45.                     'type': 'heading',
  46.                     'level': heading_level,
  47.                     'text': text
  48.                 })
  49.             else:
  50.                 content_items.append({
  51.                     'type': 'paragraph',
  52.                     'text': text
  53.                 })
  54.         elif isinstance(obj, Table):
  55.             table_data = extract_table_data(obj)
  56.             content_items.append({
  57.                 'type': 'table',
  58.                 'row_count': len(table_data['rows']),
  59.                 'data': table_data
  60.             })
  61.     sections_data.append({
  62.         'section_index': i,
  63.         'content': content_items
  64.     })
  65. document.Close()
  66. result = {
  67.     'source': input_file,
  68.     'section_count': len(sections_data),
  69.     'sections': sections_data
  70. }
  71. with open(output_file, 'w', encoding='utf-8') as f:
  72.     json.dump(result, f, indent=2, ensure_ascii=False)
复制代码
输出中每个内容项都带 type 字段:heading 带 level 与 text,paragraph 带 text,table 带 row_count 与 data。下游可据此决定处理方式:标题用于分段,段落用于嵌入,表格用于结构化抽取。按标题切分文档通常比按固定长度切分更利于检索。

如何选择
三种方法不是替代关系。只需纯文本做搜索索引,方法一足够;文档核心是表格数据,方法二直接产出可入库结构;要保留语义结构供下游智能处理,方法三的额外代码量值得。实际项目也可组合:先用方法三获取整体结构,再按 type 字段分别处理各类元素。

几点注意事项
标题样式名差异:不同模板或语言环境下可能为 Heading1、Heading 1、标题 1,来源不固定时可在 get_heading_level 中先小写化、去空格再查表。合并单元格:合并单元格会影响行列索引与 Cells.Count,上述代码按原始行列读取,复杂合并表需额外处理。空段落与页眉页脚:section.Paragraphs 默认不包含页眉页脚,若要提取应单独访问 section.HeadersFooters。大文档内存占用:一次性加载整份文档再序列化会给超大文件带来内存压力,必要时可按节分批读取并分段写入 JSON。
无论哪种方式,json.dump 的 ensure_ascii=False 都建议保留,否则中文会被转义为 Unicode 编码,虽不影响程序解析,但人工查看不便。若在分支中使用 isinstance(obj, Paragraph) 与 isinstance(obj, Table),务必导入 spire.doc.common。

总结
把 Word 转 JSON 没有唯一写法,先明确下游消费的是文本还是结构。全文检索或文本嵌入用段落数组;表格数据为主用表头映射对象数组;知识库或 RAG 管道用带 type 字段的层级结构。三种方式共享加载文档、按节遍历、读取段落与表格、序列化输出这套脉络,再针对合并单元格、标题样式、页眉页脚等细节处理,就能得到匹配业务需求的 JSON 输出。
回复

使用道具 举报

发表于 半小时前 | 显示全部楼层

Re: Python将Word转JSON三种实现:段落、表格与层级结构

感谢分享,三种粒度的划分很清晰,正好对应“只要文本”“只要表格”“要结构”这几类下游需求。 不过看下来有两点想提醒一下: 一是表格那段的遍历代码里,内层 `row = table.Rows` 之后直接用 `row.Cells`,按字面意思拿到的其实是整个行集合而不是第 r 行,实际跑起来要么报错要么每行数据都一样。这里应该写成 `row = table.Rows`(或者 `table.Rows.get_Item(r)`),再取 `row.Cells`,否则 `row_dict` 的填充逻辑是落不到正确行上的。这种小笔误在示例代码里挺常见,但新手直接抄会卡很久。 二是表头处理上,除了你提到的列数超长用 `Column_{c}` 兜底,还建议顺手处理一下空表头和重复表头:空单元格会导致 key 是空字符串,同名表头则会让后一列覆盖前一列,这两种情况在真实报表里出现的概率不低,加个去重或自动编号会稳一点。 另外首帖里第三种“保留文档顺序与内容类型的层级 JSON”只写了思路没贴代码,而这恰恰是最实用的一种,尤其需要混合处理段落和表格的场景。如果后续能补上按文档 body 子对象顺序遍历、用 `isinstance` 区分 Paragraph 和 Table、再统一带上 type 字段的实现,这篇的完整性会好很多。 整体思路没问题,环境和依赖也交代得清楚,等第三部分。
回复 支持 反对

使用道具 举报

发表于 半小时前 | 显示全部楼层

Re: Python将Word转JSON三种实现:段落、表格与层级结构

感谢分享,按三种粒度拆开讲很实用,段落、表格、层级结构基本能覆盖大多数下游消费场景,先提段落再提表格最后到保序层级,这个递进也挺顺手。 不过表格那段的代码我想跟楼主确认一下:循环里写了 `row = table.Rows`,后面又直接取 `row.Cells.Count` 和 `row.Cells.Paragraphs[0]`,按上下文这里应该是先 `table.Rows.get_Item(r)` 拿到具体行再读单元格,否则拿不到第 r 行的内容,跑起来可能会报错或者结果不对。另外单元格只取 `Paragraphs[0].Text`,遇到单元格里有多段文字、或者有合并单元格的情况,内容会丢或者列错位,可以考虑把单元格内所有段落拼起来,合并单元格再做一次去重。表头为空或者重名时键会冲突,也可以像处理超长列那样给个兜底命名。 层级结构那部分正文好像还没贴完,期待补上。我猜思路是按节里 body 子项的顺序遍历,用 isinstance 判断是 Paragraph 还是 Table,标题再用样式名或者大纲级别标记 level,最后输出带 type 字段的数组,这样顺序和类型都能还原,对再生成文档或者做结构化检索很有用。 另外几个小建议:Document 的 Close 最好放在 finally 或者上下文里,避免中途异常导致文件句柄没释放;大文档一次性读进内存要留意;JSON 顶层加个
回复 支持 反对

使用道具 举报

发表于 半小时前 | 显示全部楼层

Re: Python将Word转JSON三种实现:段落、表格与层级结构

这篇整理思路挺清楚,按段落、表格、层级结构三种粒度来拆分 Word 转 JSON 的场景很实用。方法一的字段设计简洁,适合全文索引;方法二把首行当表头、后续行转对象数组,也符合报表类文档的消费习惯。 不过方法二的代码里有两处小地方可以再核对一下:一是循环里写了 row = table.Rows 后直接用 row.Cells.Count,这里可能应该取当前行,比如 table.Rows;二是 row_dict 的键那里用了 headers,但 headers 是列表,按列取值应该用 headers,否则键会变成整个列表。另外单元格只取 Paragraphs[0].Text 时,如果单元格里有多个段落可能会漏内容,表头重名的话也可能互相覆盖,实际使用前可以加个去重或拼接处理。 标题里提到层级结构,但正文目前只看到前两种,期待后续把保留文档顺序和内容类型的部分也展开。
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 注册

本版积分规则

指导单位

江苏省公安厅

江苏省通信管理局

浙江省台州刑侦支队

DEFCON GROUP 86025

Hacking Group 021A

旗下站点

态势感知中心

应急响应中心

红盟安全

联系我们

官方QQ群:112851260

官方邮箱:security#ihonker.org(#改成@)

官方核心成员

关注微信公众号

Archiver|手机版|小黑屋| ( 沪ICP备2021026908号 )

GMT+8, 2026-11-19 02:47 , Processed in 0.030792 second(s), 18 queries , Gzip On, Redis On.

Powered by ihonker.com

Copyright © 2015-现在.

  • 返回顶部