OmniDocWord fusionne les cellules pour lire le contenu en double ? Ne cliquez pas sur le texte pour supprimer les doublons
Les cellules fusionnées de mots apparaîtront à plusieurs reprises dans la grille de mise en page et la déduplication par texte supprimera par erreur le contenu réel. Cet article utilise un exemple synthétique pour démontrer la lecture correcte de la fusion horizontale ; l'omission des colonnes de la grille nécessite des échantillons OOXML réels et légaux et ne peut pas être simulée en ajoutant des attributs aux lignes.
Dans les tableaux Word, les cellules fusionnées apparaissent à plusieurs reprises au fur et à mesure de la lecture du programme. La déduplication par texte supprimera directement le contenu réel par erreur. La bonne méthode consiste à aligner en fonction de la position de la grille, puis à utiliser l'identité de l'objet cellule pour porter un jugement.
Si vous souhaitez utiliser python-docx pour analyser un tableau avec des cellules fusionnées, ou importer le contenu du tableau dans la base de données et le transmettre au nettoyage en aval, ce problème peut facilement être ignoré. Les données lues semblent être "trop nombreuses", mais les données supplémentaires ne sont souvent pas des données erronées, mais plusieurs mappages de la même cellule fusionnée dans la grille de mise en page.
Ce qui suit est expliqué dans l'ordre suivant : "pourquoi il est répété, comment le lire correctement, comment l'accepter et quelles situations nécessitent un traitement manuel". Les exemples de cet article utilisent des échantillons synthétiques et les enregistrements en cours sont fournis séparément, ce qui ne représente pas une garantie de tous les fichiers réels.
Que dois-je faire si Word fusionne des cellules pour lire le contenu en double ? Conclusion en une phrase
Comprenez d'abord la répétition selon la grille de mise en page, puis utilisez l'identité de l'objet cellule pour porter des jugements. Ne vous contentez pas de regarder le texte.
| votre situation | Pratiques recommandées | raison |
|---|---|---|
| Lire le texte en double après la fusion horizontale | Aligner par index de colonne de grille, en préservant les mappages en double | Les cellules fusionnées occupent plusieurs positions dans la grille |
| Deux cellules adjacentes ont le même texte | Conservez les identités des deux cellules sans dédupliquer le texte. | Deux cellules indépendantes peuvent avoir le même contenu |
| Il faut supprimer les doublons | Utilisez id(cell) pour déterminer la même cellule | L'identité de l'objet est plus fiable que le texte |
| Tableau omettant les colonnes de la grille ou collant à partir d'un PDF, d'un HTML | Marqué pour la relecture manuelle | La structure XML peut être incomplète et l'analyse automatique n'est pas fiable |
Exemple de composition autonome
Voir la liste d'importation pour les dépendances. Le code construit l'entrée en mémoire, aucun fichier externe n'est requis.
from docx import Document
from io import BytesIO
doc = Document()
table = doc.add_table(rows=2, cols=3)
table.cell(0, 0).merge(table.cell(0, 1)).text = "Group A"
table.cell(0, 2).text = "Total"
for cell, text in zip(table.rows[1].cells, ["same", "same", "20"]):
cell.text = text
out = BytesIO()
doc.save(out)
out.seek(0)
restored = Document(out).tables[0]
rows = [[cell.text for cell in row.cells] for row in restored.rows]
assert rows[0] == ["Group A", "Group A", "Total"]
assert rows[1] == ["same", "same", "20"]
assert len(rows[1]) == 3
assert restored.rows[0].cells[0]._tc is restored.rows[0].cells[1]._tc
assert restored.rows[1].cells[0]._tc is not restored.rows[1].cells[1]._tcPourquoi la table de lecture contient-elle toujours « trop » de données ?
Lorsque vous utilisez python-docx pour parcourir un tableau contenant des cellules fusionnées, le problème courant n'est pas que le contenu ne peut pas être lu, mais que plus de contenu est lu qu'il n'est visible. Par exemple, un en-tête « Nom du projet » qui s'étend visuellement sur deux colonnes sera renvoyé deux fois dans la boucle, correspondant aux deux positions de grille qu'il couvre. S'il est directement épissé ou stocké dans la base de données, le nettoyage en aval traitera la même valeur que deux enregistrements indépendants.
Il ne s'agit pas d'un bug de la bibliothèque, mais d'une inadéquation entre le modèle sous-jacent des tableaux Word et la cognition visuelle. Un tableau Word est essentiellement une Layout Grid invisible (Layout Grid), et chaque cellule doit être alignée sur les coordonnées de la grille. Une cellule fusionnée est simplement un visuel couvrant plusieurs coordonnées de grille, mais en XML, elle doit toujours occuper ces coordonnées pour maintenir l'intégrité de la matrice. Par conséquent, row.cells renvoie une vue grille par défaut, et non une vue visuelle. Avant de travailler avec des tableaux, il est important d'accepter que le programme lit l'index de la grille, et non le carré rendu.
Quelles sont les conséquences d'une saisie incorrecte ?
Si [c.text for c in row.cells] est utilisé directement sans traiter grid_cols_before et grid_cols_after, la première ligne deviendra ["标题A", "标题B"] et l'index de colonne de toutes les lignes suivantes sera décalé d'une position vers la gauche. Ce désalignement ne provoquera pas d’erreur, mais gâchera complètement la sémantique de l’ensemble du tableau.
Comment gérer les tables imbriquées
Cet exemple ne fonctionne qu'avec le maillage de niveau supérieur. Si vous devez analyser de manière récursive des tableaux imbriqués dans des cellules, vous devez appeler la même logique d'alignement de grille pour chaque cellule séparément. Vous ne pouvez pas supposer que le nombre de lignes et de colonnes de la couche externe s'applique également à la couche interne.
Implémentation de l'analyse Python basée sur une grille de mise en page
Le cœur de ce code est de reconnaître que la « duplication » est légale. « Valeur de fusion » apparaît deux fois sur la deuxième ligne car elle occupe en réalité deux positions (1,0) et (1,1) dans la grille de mise en page.
Rappel clé : si l'entreprise nécessite une déduplication, vous devez déterminer s'il s'agit de la même cellule en fonction de la référence mémoire de l'objet cellule (tel que id(cell)) après l'analyse. Vous ne devez pas vous fier uniquement à la valeur du texte pour la déduplication. Il est tout à fait possible que deux cellules indépendantes non fusionnées aient le même texte, et la déduplication par texte entraînerait une perte de données.
Références
-Documentation officielle python-docx : Travailler avec des tables
📊 Comparaison de base
| Méthode de lecture | résultat | Est-ce approprié |
|---|---|---|
Obtenez le texte row.cells directement sans traiter la grille | Le nombre de premières lignes et colonnes est mal aligné et les index des colonnes suivantes sont globalement décalés. | Ne convient pas |
| Aligner par index de colonne de grille | Chaque valeur correspond à la position correcte de la grille, le mappage répété conserve | Convient comme base d'analyse |
| Supprimer les doublons par SMS | Différentes cellules avec le même texte ont été accidentellement supprimées | Ne convient pas |
Appuyez sur id(cell) pour juger la même cellule | Distinguer les entités fusionnées et les cellules indépendantes | Convient lorsqu'une perte de poids est nécessaire |
Critères d'acceptation et limites de révision manuelle
Le code peut résoudre le problème d’alignement de la grille, mais il ne peut pas déterminer automatiquement si la sémantique de la table est complète. Les points d'acceptation et les scénarios de transfert manuel suivants peuvent servir de liste de contrôle de révision.
Points d'acceptation qui doivent être confirmés :
- Les cellules fusionnées sont répétées dans la sortie autant de fois que le nombre de colonnes couvertes par la grille.
- Il n'y a pas de décalage global dans l'index de colonne de chaque ligne.
- Dans les scénarios où les doublons doivent être supprimés, le jugement est basé sur l'identité de l'objet cellule, et non sur le texte.
Veuillez noter que « démonstration de code réussie » indique uniquement que l'index de la grille est correctement aligné et ne signifie pas que le contenu extrait peut être utilisé directement en entreprise.
Scénarios clairement inapplicables : Cette méthode concerne uniquement le modèle de tableau natif de Word. Pour les tableaux convertis à partir de PDF ou générés en collant du HTML, la structure XML peut manquer d'attributs clés tels que grid_cols_before. Dans ce cas, les résultats de l’analyse automatique ne sont pas fiables et doivent être directement marqués pour une relecture manuelle. Si le tableau utilise un habillage de texte complexe ou un positionnement absolu, la grille de mise en page elle-même ne sera pas valide et la matrice générée par le code sera sérieusement incompatible avec la présentation visuelle.
Cas dans lequel les colonnes de la grille sont omises : un échantillon OOXML réel et légal est requis pour la vérification et ne peut pas être simulé en ajoutant aléatoirement des attributs aux lignes.
🎯 Quelle méthode vous convient ?
Si vous devez importer la table dans la base de données ou effectuer un nettoyage des données
Alignez en fonction de l'index des colonnes de la grille avant d'entrer dans la base de données et utilisez id(cell) pour traiter la déduplication afin d'éviter que la même cellule fusionnée ne soit saisie deux fois.
Si vous souhaitez simplement lire le contenu visible du tableau
Les résultats peuvent être compris en termes de disposition visuelle, mais assurez-vous d’abord que le tableau ne présente pas d’habillage complexe ni de positionnement absolu.
Si votre tableau provient d'un PDF ou d'un HTML, collez
Marquez-le d'abord pour une relecture manuelle et ne faites pas directement confiance aux résultats de l'analyse automatique.
Si la table contient des sous-tables intégrées
Alignez la grille pour chaque cellule individuellement, n'utilisez pas les numéros de ligne et de colonne externes.
❓ Questions fréquemment posées (FAQ)
1. Pourquoi la cellule fusionnée revient-elle deux fois dans la boucle ?
Étant donné que le tableau Word utilise la grille de mise en page comme modèle sous-jacent et que les cellules fusionnées couvrent plusieurs coordonnées de grille, row.cells renvoie une vue grille et chaque position couverte est renvoyée une fois.
2. Puis-je supprimer les doublons directement par SMS ?
ne peut pas. Deux cellules indépendantes non fusionnées peuvent contenir le même texte, et la déduplication par texte supprimera par erreur le contenu réel. id(cell) doit être utilisé pour déterminer s’il s’agit de la même cellule.
3. Quelles seront les conséquences du non-traitement de grid_cols_before ?
Le nombre de colonnes dans la première ligne est peut-être incorrect. Les index de colonnes de toutes les lignes suivantes seront décalés d’une position vers la gauche dans leur ensemble et aucune erreur ne sera signalée.
4. Cette méthode peut-elle être utilisée pour les tableaux collés à partir d'un PDF ou d'un HTML ?
sans objet. La structure XML de ces tableaux peut manquer d'attributs clés, les résultats de l'analyse automatique ne sont pas dignes de confiance et doivent être marqués pour une relecture manuelle.
📝Résumé
Le contenu en double que Word fusionne les cellules pour lire est généralement un mappage normal de la grille de mise en page, et non une erreur de données. L'alignement selon la grille, l'utilisation de l'identité de l'objet pour supprimer les doublons et le transfert des tableaux inappropriés vers une révision manuelle peuvent empêcher la suppression ou l'égarement accidentel des données.
