Word转Excel自动化：结构解析与Python/Java实现

做办公自动化开发久了，你会发现一个出现频率很高的需求：把 Word 文档转成 Excel。看起来很简单，真正动手却常常翻车。手动复制粘贴，遇到几十页的合同、标书、实验报告就废了；用网页版转换工具，虽然有速度，但格式错乱和隐私问题让人不敢依赖；想自己写脚本，又会被合并单元格、嵌套表格、中文乱码这些边界条件折腾到怀疑人生。

如果只看表面，很容易误以为 Word 转 Excel 就是把文字从一个页面搬到另一个页面。实际上，这是一次“文档结构到表格结构的重构”，真正的难点不在于搬运，而在于如何判断 Word 里哪些内容是行、哪些是列、哪些单元格应该合并、哪些表面上像表格的东西根本不是表格。理解了这个本质，你才能在大批量转换时不被各种边缘情况击穿。

这篇文章会从 docx 和 xlsx 的底层结构讲起，分析两类文件之间的本质差异，然后给出三种可落地的转换方案。重点演示 Python 和 Java 两套自动化代码，并附上排错清单和工程建议。读完这篇文章，你可以根据实际场景选择合适的方案，也能把一份包含几十张表格的 Word 文档批量转成结构化的 Excel 工作簿。

1. 这篇文章真正要解决的问题

1.1 典型场景：谁在需要 Word 转 Excel

需要这个功能的人，往往不是在“想要”转换，而是被工作“逼”到了这一步。最常见的是这几类场景：

一是行政和运营人员，需要把合同、报价单、员工信息表里的表格汇总成 Excel 台账。Word 文件是别人发过来的，里面的表格排版五花八门，合并单元格、空行、备注文字到处都是，手工整理一份往往要花半天。

二是产品和技术同学，需要把需求文档、接口说明、配置手册里散落的参数表格抽取出来，转成可筛选、可计算的数据。Word 里的表格是给人看的，Excel 里的表格是要给程序和业务系统用的，两者的要求完全不同。

三是做数据分析和批量处理的同学，手里有大量.docx报告，每份报告里有几页关键表格，需要合并成一个大型 Excel 数据集。这时候最考验的不是“会不会复制”，而是“能不能稳定地重复执行几百次”。

痛点也集中在这几个方向：手动操作效率低、在线转换有隐私风险、脚本转换边界条件多。所以这篇文章要解决的核心问题，不是给你一个“万能工具”，而是让你明白：Word 转 Excel 本质上是一次结构化的提取和重建。

1.2 从复制粘贴到结构化重构

很多人第一次手动复制 Word 表格到 Excel，感觉还挺顺畅。选中、复制、粘贴，表格基本就过去了。但一旦遇到复杂的真实文档，问题就来了：跨页表格被拆开、合并单元格粘贴后变成错位内容、表格里嵌着图片和尾注、有些“表格”是用空格和制表符硬排出来的伪表格。

这些问题的根源在于，你在复制的时候，只是复制了视觉呈现，没有复制“数据结构”。Word 里的表格和 Excel 里的表格，底层模型并不一致。手动复制真正的适用范围，其实只是“一次性、结构简单、不超过 5 张表格”的场景。

一旦规模变大，或者流程需要重复执行，就必须用程序来处理。程序处理的路径也很清晰：解析 Word 的文档结构，定位表格节点，提取单元格文本，再按行列索引写入 Excel 的单元格模型。而要做到这一点，先得搞清楚 docx 和 xlsx 在文件层面到底是什么。

2. Word 与 Excel 的本质差异：理解底层结构

2.1 docx 和 xlsx 其实都是 zip 包

很多技术同学已经知道这个概念，但实际开发中仍然容易忽略：.docx和.xlsx都不是“一个单一的文件”，而是基于 XML 的压缩包。

你可以把后缀改成.zip，用解压工具打开看看。docx 里面的word/document.xml就是正文主结构，表格用<w:tbl>、<w:tr>、<w:tc>这些节点描述。xlsx 里面真正存储数据的是xl/worksheets/sheet1.xml等文件，用<row>和<c>描述一行一行的单元格。

所以，Word 转 Excel 的底层动作，其实就是“解析 docx 里的表格 XML 节点，重建为 xlsx 里的行列节点”。凡是库做不到的格式还原，本质上都是因为我们从这个 XML 树里提取的信息不够全。

2.2 表格模型的不同

Word 里的表格，是“正文流中的一块区域”。它和前后段落、页眉页脚、文本框混在一起，表格本身可以跨页，单元格里可以嵌套另一个表格，甚至可以在表格中间插入分页符。Excel 里的表格则完全不同，它是一个二维坐标系，行和列严格对齐，单元格之间存在坐标关系。

两种模型之间的差异，直接影响转换策略：

理解了这些差异，你就知道为什么“复制粘贴”大法在复杂表格面前不可靠：它只能转移文本和一部分样式，无法转移真正重要的结构语义。

2.3 Word 转 Excel 的转化语义

从工程视角看，一次合格的 Word 转 Excel，应该做四件事：

1. 定位表格：从 document.xml 的 body 节点里找出所有<w:tbl>，排除正文段落里的孤立文本。
2. 提取行列：遍历每个表格的<w:tr>（行）和<w:tc>（单元格），取出文本内容。
3. 处理合并：识别 gridSpan、vMerge 等合并属性，避免内容重复或坐标错位。
4. 重建输出：在 xlsx 中创建工作表，按行列索引写入单元格，保留合理的数据类型。

很多工具看起来“能转”，实际上只做了第 2 步，直接把cell.text()拼进 Excel。遇到合并单元格就重复输出，遇到嵌套表格就直接忽略，遇到多级标题就全部堆到第一列。这些问题，恰恰就是你自己写脚本时最容易踩的坑。

3. 三条可行的转换路径与选型

3.1 路径一：手动复制粘贴

手动复制适合什么场景？适合一次性、结构简单、表格数量少的任务。比如你偶尔需要从一份 Word 里把一张 10 行的报价单拖到 Excel 里做计算。

操作上有个常用技巧：在 Word 里选中表格后，可以直接从表格左上角的全选手柄选中整个表格，然后复制，到 Excel 里粘贴。如果只想粘贴文本，可以使用“选择性粘贴”里的“文本”选项，但会丢失行列分隔，不建议在大表格上使用。

手动方式最大的问题是不可重复。你很难保证两次复制粘贴的操作完全一样，而且一旦源文档有几十张表，人的耐心和注意力就会成为瓶颈。

3.2 路径二：中间格式中转

如果不想写代码，但又有批量需求，可以考虑“中间格式中转”的思路。

一种做法是用 Pandoc 把 docx 转成 Markdown 表格，再通过 Excel 的“数据 → 从文本/CSV 导入”功能加载。Pandoc 本身不直接生成 xlsx 文件，但可以输出结构清晰的 Markdown 表格。

pandoc input.docx -t gfm -o output.md

转出来的 Markdown 文件里，表格会以| 列1 | 列2 |的形式保留。你可以把这段内容复制到 Excel，或者用脚本解析。

这种方案适合不需要长期维护、又不想手动逐张复制的情况。缺点是格式信息丢失严重，合并单元格不会保留，转换后的清洗工作仍然存在。

3.3 路径三：脚本自动化

如果你需要持续处理大批量文件，或者要把转换能力嵌入到自己的项目里，脚本自动化是唯一值得投入精力的方案。

我的判断是：优先学习 Python 方案，尤其是python-docx+openpyxl的组合，它覆盖了 80% 以上的基础转换场景。如果你的项目本身是 Java 技术栈，再考虑 Apache POI 方案。

Python 方案的优势是生态成熟、代码量少、调试方便。Java 方案的优势是类型安全、适合集成到已有企业应用中，但底层 API 更繁琐，处理合并单元格也更手工化。

3.4 选型建议表

4. 环境准备与前置条件

4.1 Python 环境

需要 Python 3.8 及以上版本，版本以你本机实际安装为准。推荐使用虚拟环境管理依赖，避免污染全局 Python。

安装两个核心库：

pip install python-docx openpyxl

• python-docx：负责读取 docx 文件，提供访问段落、表格、单元格的 API。
• openpyxl：负责创建和写入 xlsx 文件，也支持读取已有文件进行校验。

建议同时安装一个测试框架，比如pytest，方便后面写自动校验用例。

4.2 Java / Maven 环境

Java 方案需要 JDK 8 以上。Maven 项目只需要一个核心依赖：

<dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-ooxml</artifactId> <version>5.2.5</version> </dependency>

版本号可以根据实际项目情况调整，最好以 Maven 仓库中的最新稳定版为准。poi-ooxml已经包含了操作 docx 的 XWPF 模块和操作 xlsx 的 XSSF 模块。

4.3 准备测试文档

建议先准备一个内容可控的测试文件input.docx，里面至少包含：

• 1 张简单规则表格，例如员工姓名、部门、入职日期。
• 1 张带合并单元格的表格。
• 1 张单元格里有多行文字的表格。

这样在开发脚本时，能立刻验证最常见的边界情况。正式处理业务文件前，务必备份原文件，因为任何“自动化转换”都不能保证 100% 还原。

5. Python 方案：完整示例代码

5.1 核心思路

Python 方案的思路分为三步：

1. 用Document加载 docx，读取document.tables。
2. 遍历每个表格的rows，再遍历row.cells，提取文本。
3. 用openpyxl创建工作簿，把每个 Word 表格写入一个独立工作表。

这里最值得注意的坑是：python-docx 在遇到合并单元格时，row.cells里会出现同一个单元格对象的多个副本。如果不去重，合并单元格的内容会被重复写入多次。去重方式可以用id(cell)判断。

5.2 完整代码实现

创建一个word_to_excel.py文件：

# word_to_excel.py import sys from docx import Document from openpyxl import Workbook def get_unique_cells(row): """ 处理合并单元格导致的重复 cell 对象。 python-docx 中，合并单元格可能在 row.cells 中出现多次， 这里通过 id 去重，保证每个逻辑单元格只写一次。 """ unique_cells = [] seen = set() for cell in row.cells: if id(cell) not in seen: seen.add(id(cell)) unique_cells.append(cell) return unique_cells def table_to_sheet(table, ws): """把一个 docx 表格写入 openpyxl 的 worksheet。""" for r_idx, row in enumerate(table.rows): for c_idx, cell in enumerate(get_unique_cells(row)): value = cell.text.strip() # 单元格内有多段文字时，转成单个单元格里的空格分隔文本 value = value.replace("\n", " ") ws.cell(row=r_idx + 1, column=c_idx + 1, value=value) def main(): src_path = sys.argv[1] if len(sys.argv) > 1 else "input.docx" dst_path = sys.argv[2] if len(sys.argv) > 2 else "output.xlsx" doc = Document(src_path) wb = Workbook() # 删除默认的空白 sheet，保持输出文件干净 wb.remove(wb.active) for t_idx, table in enumerate(doc.tables): ws = wb.create_sheet(title=f"Table_{t_idx + 1}") table_to_sheet(table, ws) wb.save(dst_path) print(f"共处理 {len(doc.tables)} 张表格，结果已写入 {dst_path}") if __name__ == "__main__": main()

这段代码有几个值得说明的地方：

• Document(src_path)读取的是 docx 的完整结构，document.tables会返回正文中所有顶层表格。
• get_unique_cells使用id(cell)去重，解决了合并单元格内容重复的问题。
• value.replace("\n", " ")把单元格里的多段落文字合并成一行，避免 Excel 单元格里出现大量换行符，影响后续处理。

5.3 运行方式

在命令行执行：

python word_to_excel.py input.docx output.xlsx

执行成功后，程序会打印：

共处理 3 张表格，结果已写入 output.xlsx

如果不想传参数，也可以把input.docx和output.xlsx放在脚本同目录下直接运行。

5.4 处理嵌套表格

如果你的 Word 表格里还嵌着另一个表格，上面的代码只能提取外层表格中段落文本，嵌套表格的内容会被“忽略”。

如果需要处理嵌套表格，可以在取值函数里做递归。一个简单的递归思路是：遍历cell.tables，把嵌套表的所有单元格文本也拼到同一个字符串里。

def cell_full_text(cell): """递归获取单元格文本，包括嵌套表格内容。""" parts = [p.text for p in cell.paragraphs] for nested_table in cell.tables: for nested_row in nested_table.rows: for nested_cell in get_unique_cells(nested_row): parts.append(cell_full_text(nested_cell)) return "\n".join(parts)

然后在table_to_sheet中使用cell_full_text(cell)代替cell.text。需要注意的是，这种处理方式会丢失嵌套表的二维结构，只是把内容“摊平”进一个文本字符串。如果你的业务需要保留嵌套层级，建议单独设计数据模型，而不是简单拼接。

6. Java 方案：使用 Apache POI 完成批量转换

6.1 Maven 依赖

Java 方案使用 Apache POI。在pom.xml中加入：

<dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-ooxml</artifactId> <version>5.2.5</version> </dependency>

6.2 核心转换代码

创建一个WordToExcel.java：

import org.apache.poi.ss.usermodel.Cell; import org.apache.poi.ss.usermodel.Row; import org.apache.poi.ss.usermodel.Sheet; import org.apache.poi.ss.usermodel.Workbook; import org.apache.poi.xssf.usermodel.XSSFWorkbook; import org.apache.poi.xwpf.usermodel.XWPFDocument; import org.apache.poi.xwpf.usermodel.XWPFTable; import org.apache.poi.xwpf.usermodel.XWPFTableCell; import org.apache.poi.xwpf.usermodel.XWPFTableRow; import java.io.FileInputStream; import java.io.FileOutputStream; import java.util.List; public class WordToExcel { public static void main(String[] args) throws Exception { String srcPath = args.length > 0 ? args[0] : "input.docx"; String dstPath = args.length > 1 ? args[1] : "output.xlsx"; int tableCount = 0; try (XWPFDocument srcDoc = new XWPFDocument(new FileInputStream(srcPath)); Workbook wb = new XSSFWorkbook()) { List<XWPFTable> tables = srcDoc.getTables(); tableCount = tables.size(); for (int t = 0; t < tables.size(); t++) { XWPFTable table = tables.get(t); Sheet sheet = wb.createSheet("Table_" + (t + 1)); List<XWPFTableRow> rows = table.getRows(); for (int r = 0; r < rows.size(); r++) { XWPFTableRow srcRow = rows.get(r); Row targetRow = sheet.createRow(r); List<XWPFTableCell> cells = srcRow.getTableCells(); for (int c = 0; c < cells.size(); c++) { Cell targetCell = targetRow.createCell(c); targetCell.setCellValue(cells.get(c).getText()); } } } try (FileOutputStream out = new FileOutputStream(dstPath)) { wb.write(out); } } System.out.println("转换完成，共处理 " + tableCount + " 张表格"); } }

编译并运行：

mvn compile java -cp target/classes:$(find ~/.m2 -name "poi-ooxml-5.2.5.jar") ... WordToExcel

实际在 IDE 里运行会更方便，直接配置启动参数input.docx output.xlsx即可。

6.3 POI 方案的边界

这个基础版没有专门解析合并单元格。XWPFTableCell的getText()只能拿到单元格文本，合并单元格的元数据需要通过底层 XML 的CTTcPr解析，比如gridSpan和vMerge属性。

如果你的业务经常遇到复杂的合并表格，建议在 Java 方案中额外实现一个“合并解析器”，或者在转换后增加人工抽检环节。相比 Python 方案，POI 在处理合并时并不更省事，只是更适合被嵌入到 Spring Boot 等服务端项目里。

7. 运行结果与效果验证

7.1 运行命令

以 Python 方案为例，运行：

python word_to_excel.py input.docx output.xlsx

预期输出：

共处理 3 张表格，结果已写入 output.xlsx

用 Excel 或 WPS 打开output.xlsx，可以看到三个工作表，表名分别为Table_1、Table_2、Table_3。

7.2 验证维度

判断转换是否成功，不能只看“有没有文件生成”。建议按以下维度检查：

1. 表格数量：工作表的数量是否和 Word 中的表格数量一致。
2. 行数列数：每个工作表的最大行号、最大列号是否和预期接近。
3. 合并单元格：原本合并的单元格，内容是否没有重复出现。
4. 多行文本：单元格里原本有多段文字时，是否被合并成单行文本，且没有丢字。
5. 中文编码：打开文件后，中文是否正常，没有出现乱码。

7.3 自动化校验脚本

可以用一个简单的 Python 脚本检查输出文件：

# validate.py from openpyxl import load_workbook wb = load_workbook("output.xlsx") print("工作表列表:", wb.sheetnames) for ws in wb.worksheets: print(f"{ws.title}: {ws.max_row} 行 x {ws.max_column} 列")

也可以直接在命令行快速查看：

python -c "from openpyxl import load_workbook; wb=load_workbook('output.xlsx'); print(wb.sheetnames)"

如果第一个工作表的行数明显不对，优先回头检查 Word 源文件里对应的表格是不是被拆分跨页了，或者表格前面有隐藏段落影响了解析。

8. 常见问题与排查思路

真实项目中，合并单元格和列数不齐是最容易出问题的两个点。如果你的源文档来自业务系统导出，合并单元格往往是为了展示方便，而程序需要的是规整的二维数据表。这种情况下，建议在转换前先和业务确认清楚合并规则，再决定是保留合并标记还是摊平处理。

9. 最佳实践与工程建议

9.1 转换前的源文档检查

Word 转 Excel 这件事，成败往往在转换前就已经决定了。建议先对源文档做一次体检：

• 删除不必要的空表格、隐藏表格。
• 尽量把“伪表格”（用空格和制表符排出来的内容）改造成真正的 Word 表格。
• 对重要文档，先做副本备份，再用副本测试脚本。

如果源文档是 PDF 扫描件，不能直接走 docx 解析路径，需要先做 OCR，再用本文的表格提取流程处理。OCR 会让转换链路变得更长，准确率也受扫描质量影响，建议在流程里单独增加人工复核环节。

9.2 工程化落地建议

如果你要长期维护这个转换能力，建议从第一天就引入工程化约束：

1. 输入校验：脚本开头检查文件是否存在、后缀是否为.docx、文件是否为空。
2. 日志输出：记录每个文件的表格数量、异常信息、耗时，方便后期排查。
3. 幂等输出：输出目录按日期分目录，避免覆盖历史结果。
4. 小批量试点：第一次运行先用 5 个文件验证，不要直接全量跑。
5. 自动化测试：准备一份带合并单元格、嵌套表格、多行文本的固定样例，每次升级依赖后都跑一遍回归。
6. 安全边界：如果脚本会接触敏感数据，部署在企业内网环境，输出文件也要按权限管理，避免通过公共在线转换服务上传涉密文档。

9.3 进一步扩展方向

如果你的需求不只是“Word 里的表格转 Excel”，而是“从 Word 里找到我要的数据并结构化”，那工作重心可以从格式转换转向信息抽取。比如结合 OCR 处理扫描件，用规则表达式或自然语言处理技术识别表格区域，甚至接入大模型做表格语义补全和清洗。

但这些方向都建议在基础转换稳定之后再推进。先把“表格能准确搬过去”这件事做到 100% 可控，再谈“智能抽取”。一个很实用的做法是：把本文的转换脚本封装成一个小型命令行工具或 HTTP 接口，放到团队内部使用。后续需要扩展 PDF、图片、扫描件时，只需要在这个统一入口上不断叠加处理器即可。

回到最初的问题：Word 转 Excel 并不难，难的是理解转换背后的结构差异，并为边界情况预留处理方案。如果你的场景只是偶尔转一次，先确认 Word 里的表格是否规整，再决定用人工、中转格式还是脚本；如果要把转换能力做成工具或接口，优先考虑 Python 的python-docx+openpyxl组合，它能覆盖大多数基础场景。真正复杂的合并单元格和嵌套表格，值得单独抽时间封装成通用模块，这也是整个方案里最有复用价值的部分。