用途:该技能针对 python-docx 在复杂 DOCX 文档上的提取盲区,尤其是单元格内嵌套表格、表单复选框、多行单元格布局和清单选项。基础 cell.text 只返回直接段落文本,不遍历单元格内的嵌套表格,因此常出现返回空字符串或换行符但视觉上有内容的情况。
主要能力:检测单元格是否含嵌套表格(cell.tables);从单元格段落与嵌套表格中合并提取文本;递归处理任意深度的表格嵌套;过滤复选框字符(、☐、☑、☒);按行提取嵌套表格首列文本;分析文档结构,定位所有含嵌套表格的单元格;为大型文档预计算嵌套表格缓存以提升性能。
使用方式:先判断 if cell.tables,再调用 extract_cell_content_with_nested_tables(cell) 或递归版本 extract_cell_content_recursively(cell)。典型流程为 from docx import Document 打开文档,遍历 doc.tables、table.rows、row.cells,对含嵌套表格的单元格使用高级提取,其余使用 cell.text。提取结果用 '\n'.join(text_parts) 保留换行结构。
适用场景:政府表单、评估表、评分量表、复选框网格、复杂数据表等。可与官方 docx 技能配合:官方负责文档创建、基础文本提取、修订与批注处理,本技能负责嵌套表格与复杂单元格内容提取。
限制:资料未提供安装命令、版本要求、收费信息或独立参考文件;模式为自包含,无单独 REFERENCE.md。需注意过滤复选框字符、保留换行,并先用样例文档测试提取结果。