Převod souboru DOCX do CSV

Databáze, tabulkový procesor, správce kontaktů nebo skript pro zpracování dat může přijímat tabulková data pouze ve formátu CSV a odmítnout dokument Word. Převod tabulky do CSV umožní import jejích řádků a polí, ale nezachová vizuální rozvržení dokumentu.

Co je formát DOCX

DOCX je dokumentový formát založený na XML, který používá Microsoft Word a podporují jej LibreOffice Writer, Apple Pages, Google Docs a systémy pro správu dokumentů. Může obsahovat formátované odstavce, tabulky, obrázky, záhlaví, zápatí, komentáře a další informace o rozvržení. Soubory DOCX běžně obsahují zprávy, formuláře, faktury a seznamy.

Soubor DOCX může obsahovat strukturované tabulky i běžné odstavce. Tabulku lze obvykle exportovat jako řádky a sloupce; text, který je pouze zarovnaný pomocí mezer nebo tabulátorů, je nejprve nutné strukturovat. Starší formát .doc se interně liší, ale jeho tabulky lze také zkopírovat do tabulkového procesoru a uložit jako CSV.

Co je formát CSV

CSV neboli hodnoty oddělené čárkami je prostý text, ve kterém záznamy obvykle zabírají jednotlivé řádky a pole jsou oddělena oddělovačem, obvykle čárkou. Tabulkové aplikace, databáze, nástroje příkazového řádku, statistický software a programovací jazyky jej mohou číst bez nutnosti informací o rozvržení stránky.

CSV je vhodné pro filtrování, řazení, import, archivaci a přenos strukturovaných záznamů. Nemůže zachovat písma, obrázky, konce stránek, komentáře, vzhled sloučených buněk ani většinu dalšího formátování dokumentu. Soubor CSV je obvykle jedna obdélníková tabulka; nesouvisející tabulky ze stejného souboru DOCX by se obvykle měly exportovat samostatně.

Jak převést jednu tabulku pomocí desktopového softwaru

1. Otevřete soubor DOCX v aplikaci Microsoft Word nebo LibreOffice Writer a ověřte, že zdroj skutečně obsahuje tabulku. Pokud jde o prostý text, nejprve jej pomocí Table → Convert → Text to Table ve Wordu nebo ekvivalentního příkazu Writeru převeďte na tabulku.
2. Vyberte tabulku a zkopírujte ji. Ve Writeru před kopírováním použijte Table → Select → Table.
3. Vložte ji do buňky A1 v aplikaci Microsoft Excel nebo LibreOffice Calc.
4. Odstraňte řádky s názvem, poznámky, prázdné řádky a dekorativní sloupce, které nemají být importovanými poli. Ověřte, že každý záznam zabírá jeden řádek a každé pole jeden sloupec.
5. V Excelu zvolte File → Save As a vyberte CSV UTF-8 (Comma delimited) (*.csv). V Calcu zvolte File → Save As, vyberte Text CSV (.csv) a nastavte znakovou sadu na UTF-8.
6. Když Calc zobrazí možnosti exportu, zvolte jako oddělovač polí čárku, pokud cílový systém neurčuje jiný oddělovač, a ponechte zapnuté uzavírání textu do uvozovek.

Excel a Calc mohou upozornit, že CSV nedokáže zachovat funkce sešitu; potvrďte formát CSV. Word obecně neposkytuje přímý příkaz pro export z DOCX do CSV, takže praktickou ruční metodou je zkopírování tabulky přes tabulkový procesor.

Jak automatizovat extrakci tabulek

Pro opakované převody nainstalujte python-docx pomocí python -m pip install python-docx. Uložte následující obsah jako docx_table_to_csv.py pro export první tabulky:

from csv import writer
from docx import Document

source = Document("input.docx")
if not source.tables:
    raise ValueError("No table found")

table = source.tables[0]
with open("output.csv", "w", newline="", encoding="utf-8-sig") as file:
    csv_writer = writer(file)
    for row in table.rows:
        csv_writer.writerow([cell.text.replace("\n", " ").strip() for cell in row.cells])

Umístěte input.docx vedle skriptu a spusťte python docx_table_to_csv.py. Pro jinou tabulku změňte source.tables[0] na jiný index. U více tabulek zapište každou tabulku do samostatného souboru CSV, pokud nemají shodná záhlaví a sloupce; připojení nesouvisejících tabulek do jednoho souboru CSV vytvoří nejednoznačnou datovou sadu.

Online převod

CloudConvert, Convertio a Zamzar mohou nabízet převod z DOCX do CSV, dostupné formáty a chování extrakce se však mohou měnit. Nahrávejte pouze důvěrné soubory, ověřte, že služba tento převod výslovně podporuje, zkontrolujte stažený soubor CSV a nahraný soubor smažte, pokud služba tuto možnost poskytuje.

Online služby mohou extrahovat viditelný text namísto buněk tabulky, nesprávně zpracovat více tabulek nebo selhat u vnořených tabulek a složitých rozvržení. U důvěrných dokumentů, velkých dávek nebo požadavku na opakovatelné výsledky je vhodnější extrakce na desktopu.

Kontroly kvality a kompatibility

• Neexistuje univerzální mapování rozvržení z DOCX do CSV. Stránka Wordu je orientovaná na dokument, zatímco CSV představuje pole a záznamy v obdélníkové struktuře.
• Sloučené buňky, vnořené tabulky, opakovaná záhlaví, poznámky pod čarou a zalomení řádků uvnitř buněk vyžadují ruční kontrolu. Nástroje pro extrakci mohou duplikovat hodnoty sloučených buněk, vytvářet prázdná pole nebo zalomení řádků převést na jeden řádek.
• Pole obsahující čárky, uvozovky nebo zalomení řádků musí být podle pravidel escapování CSV uzavřena v dvojitých uvozovkách. Tyto uvozovky při čištění neodstraňujte.
• Pro znaky s diakritikou a nelatinská písma používejte UTF-8. BOM UTF-8 vytvořený pomocí utf-8-sig může zlepšit rozpoznání při přímém otevření souboru v některých starších verzích Excelu, pro systémy očekávající prosté UTF-8 však není nutný.
• Konvence oddělovačů se liší podle aplikace a národního prostředí. Přijímající systém může vyžadovat místo čárek středníky nebo tabulátory; použijte jím určený oddělovač a ověřte, zda očekává řádek záhlaví.
• Excel může změnit způsob interpretace identifikátorů, jako jsou 00123, data, dlouhá čísla a kódy účtů. Importujte CSV pomocí dialogu pro import dat v Excelu a nastavte sloupce s identifikátory na Text, místo abyste soubor otevřeli dvojitým kliknutím.
• Před importem CSV do jiného systému porovnejte jeho záhlaví, počet řádků, počet sloupců a reprezentativní záznamy s dokumentem DOCX. Pokud si nejste jisti uvozovkami nebo kódováním, zkontrolujte výstup v textovém editoru i v tabulkovém procesoru.