表里看不到的行列，提取时要不要算进去

本文使用合成样本演示处理方法。代码已通过隔离环境中的示例检查；这不代表对所有真实文件或产品效果的保证。处理重要文件前，请保留原件，并按文中的边界与验收项复核。 当你用脚本提取Excel数据准备翻译或分析时，最常遇到的陷阱不是乱码，而是“看不见的数据”。一个在Excel界面中被右键隐藏的汇总行，和一个因自动筛选而被折叠的明细行，在底层XML里的标记完全不同。如果你不加区分地遍历所有单元格，要么会把不该翻译的内部计算字段暴露给译员，要么会漏掉被筛选器暂时遮挡的关键条款。解决这个问题的关键，在于理解openpyxl中 hidden 属性与 auto_filter 状态的语义差异，并在提取代码中显式声明你的处理策略。 隐藏标记与筛选状态的底层区别 在openpyxl的对象模型中，行和列的可见性由 RowDimension 和 ColumnDimension 对象的 hidden 属性控制。这是一个布尔值，直接对应XML中的 hidden="1" 或 hidden="0" 。当用户在Excel中手动隐藏某行时，这个属性会被设为True。然而，自动筛选（AutoFilter）产生的“不可见”并不修改行的 hidden 属性。筛选状态存储在worksheet的 auto_filter 对象中，它只记录哪些列应用了筛选条件以及当前的筛选值，而不改变行本身的显示属性。 这意味着，如果你仅通过检查 row.hidden 来判断是否跳过某行，你会正确跳过手动隐藏的行，但会错误地包含所有被筛选器隐藏的行。反之，如果你想只提取当前筛选结果，你需要解析 auto_filter 的配置并结合实际单元格值进行二次过滤——这涉及条件表达式解析、数据类型匹配等复杂逻辑，远超基础可见性判断范畴。对于文档翻译场景，最安全的默认策略是：尊重手动隐藏标记（视为作者意图排除的内容），但对筛选状态保持透明（视为临时视图而非内容删除）。 合成示例：正确输出与边界情况 为了演示这一区别，我们构造一个合成示例。假设有一个包含5行数据的表格：第1行是标题，第2-4行是数据，第5行是内部校验公式。用户手动隐藏了第5行，并对第2列应用了筛选，导致第3行在界面上不可见。 正确的提取策略应产出以下结果：包含第1、2、4行；排除第5行（因为 hidden=True ）；包含第3行（尽管被筛选隐藏，但 hidden=False 且属于有效内容）。如果提取器错误地将筛选隐藏等同于手动隐藏，就会丢失第3行；如果完全忽略 hidden 属性，就会把第5行的内部公式当作待翻译文本输出，造成信息泄露或翻译资源浪费。 一个典型的边界情况是：某行既被手动隐藏，又处于筛选范围内。此时应以 hidden 属性为准，优先排除。另一个边界是分组折叠（outline grouping）：当 outlineLevel > 0 且 collapsed=True 时，行在界面上被折叠，但 hidden 仍为False。这种行应当被提取，因为折叠只是视图组织方式，不代表内容无效。提取器必须明确区分这三种“不可见”的语义，而不是简单地用“可见/不可见”二元判断。 openpyxl提取策略的代码实现 以下Python示例展示了如何在内存中构造样本并实施上述提取策略。 此代码仅为逻辑演示，未在实际生产环境运行，需在锁定依赖的独立环境中验证 。openpyxl版本需与你的环境兼容，建议使用3.1.x系列。若需测试真实文件，请准备一份含手动隐藏行、筛选状态及分组折叠的脱敏Excel文件，并确保文件未被密码保护。 from openpyxl import Workbook # 合成示例：构造含隐藏行与筛选的工作表（仅用于演示逻辑） wb = Workbook() ws = wb.active ws.append(["Header", "Value"]) ws.append(["Visible Row", "A"]) ws.append(["Filtered Hidden", "B"]) # 将被筛选隐藏，但hidden=False ws.append(["Visible Row", "C"]) ws.append(["Manual Hidden", "D"]) # 将被手动隐藏 # 设置手动隐藏（第5行） ws.row_dimensions[5].hidden = True # 注意：openpyxl不执行筛选逻辑，仅读写标记 # 真实场景中auto_filter由Excel设置，此处不模拟其效果 def extract_visible_rows(worksheet): """提取策略：跳过hidden=True的行，保留筛选隐藏行与折叠行""" results = [] for row_idx in range(1, worksheet.max_row + 1): # openpyxl中row_dimensions支持直接索引访问 row_dim = worksheet.row_dimensions[row_idx] is_hidden = row_dim.hidden if row_dim else False if not is_hidden: row_data = [cell.value for cell in worksheet[row_idx]] results.append((row_idx, row_data)) return results extracted = extract_visible_rows(ws) assert len(extracted) == 4, f"Expected 4 rows, got {len(extracted)}" assert extracted[-1][1][0] == "Visible Row", "Last extracted should be visible row C" assert all(r[1][0] != "Manual Hidden" for r in extracted), "Hidden row must be excluded" 此代码未调用任何网络请求、shell命令或文件I/O，所有数据在内存构造。断言验证了手动隐藏行被排除、筛选隐藏行被保留的预期行为。若你的业务要求相反（例如只提取当前筛选视图），则需额外解析 worksheet.auto_filter 并实现值匹配逻辑，但这已超出基础可见性判断范畴，建议评估复杂度后再决定是否自研。 验收清单与人工审查边界 代码能处理明确的 hidden 标记，但无法覆盖所有现实场景。下表列出实际观察到的异常情况及对应的处理决定，供验收时参照： 观察现象 可能原因 自动化处理 人工审查触发条件 行在Excel可见但提取为空 行高为0或样式隐藏 检查 row_dimensions.ht == 0 连续≥3行高度为0 提取出大量空白行 曾编辑后未清理 过滤全None行 空白行占比超30% 筛选行被意外排除 误将auto_filter当hidden 仅依赖 row.hidden 属性 提取行数比预期少>20% 分组折叠行缺失 误判collapsed为hidden 不检查collapsed属性 存在outlineLevel>0的行 隐藏行含关键术语 作者误操作隐藏 按hidden=True排除 术语表匹配命中隐藏行 注意：此清单仅适用于代码演示层面的逻辑校验，不等于端到端翻译质量验收。当遇到“隐藏行含关键术语”或“提取行数异常”时，必须暂停自动化流程，由熟悉源文档的业务人员确认内容取舍。openpyxl能准确读取XML标记，但无法理解业务意图——技术上的“正确提取”未必是业务上的“正确内容”。 参考资料与下一步行动 openpyxl.worksheet.dimensions 官方API文档：https://openpyxl.readthedocs.io/en/stable/api/openpyxl.worksheet.dimensions.html 将这份检查清单用于文档翻译 先决定哪些是文字、哪些是公式和业务编码，再做表格翻译。译后检查不仅包括中文是否变成目标语言，也包括公式、标识符和引用关系有没有被改变。 OmniDoc（产品入口） 提供多格式文档翻译入口，官网介绍了 OCR、术语表与双语对照功能。对希望直接从文件开始处理的团队，这是一条值得用实际样本评估的路径。请使用有权上传的脱敏文件，并用本篇的检查项复核结果；这里不声称 OmniDoc 使用了本文的开源库或内部算法，也不以示例代替产品性能测试。 - 1 -