使用 py 一键将 md 文档中 html 表格转思源表格

起因

用 Doc2X 识别 pdf 的时候，表格会变成 html，虽然保留了合并单元格但是无法修改。于是参考 Excel&Word↔ 思源表格互转 - by 浅沧 - 动作信息 - Quicker (getquicker.net) ，让 ai 写了 Python 修改（本来块转换工具也能用自定义粘贴转换，但我怎么也没法保存，一怒之下怒了一下）

代码

import re
from lxml import etree

def convert_html_table_to_markdown(html_table):
    # 解析 HTML 表格
    parser = etree.HTMLParser()
    root = etree.fromstring(html_table, parser)
  
    # 获取所有表格行
    thead_trs = root.xpath('//thead/tr')
    tbody_trs = root.xpath('//tbody/tr')
  
    # 如果没有 <tbody>，则获取所有 <tr> 元素
    if not tbody_trs:
        tbody_trs = root.xpath('//tr')
  
    # 合并 <thead> 和 <tbody> 的行
    all_trs = thead_trs + tbody_trs
  
    if all_trs:
        row_num = len(all_trs)
        col_num = 0
        divider_row = 1
  
        # 计算列数和最大跨行数
        for td in all_trs[0].xpath('./th|./td'):
            col_num += int(td.get('colspan', 1))
            row_span = int(td.get('rowspan', 1))
            if divider_row < row_span:
                divider_row = row_span
  
        # 创建一个二维列表来存放表格数据
        table_data = [['' for _ in range(col_num)] for _ in range(row_num)]
  
        # 用于填充合并单元格的字符串
        empty_data = '{: class=\'fn__none\'}'
  
        # 逐行解析表格
        for r in range(row_num):
            c = 0
            for td in all_trs[r].xpath('./th|./td'):
                gap = 0
        
                row_span = int(td.get('rowspan', 1))
                col_span = int(td.get('colspan', 1))
        
                # 使用 itertext() 获取文本内容
                content = ''.join(td.itertext()).replace('\n', '<br />')
        
                # 确保不会超出当前行的边界
                while c + gap < len(table_data[r]) and table_data[r][c + gap] == empty_data:
                    gap += 1
        
                if row_span == 1 and col_span == 1:
                    if c + gap < len(table_data[r]):
                        table_data[r][c + gap] = content
                else:
                    for i in range(row_span):
                        for j in range(col_span):
                            if r + i < len(table_data) and c + gap + j < len(table_data[r + i]):
                                table_data[r + i][c + gap + j] = empty_data
                    if c + gap < len(table_data[r]):
                        table_data[r][c + gap] = f"{{: colspan='{col_span}' rowspan='{row_span}'}}" + content
        
                c += gap + col_span
  
        # 将数组中的数据组合成 Markdown 表格模板
        template_str = ""
        for r in range(row_num):
            template_str += '|'
            for c in range(col_num):
                template_str += ' ' + table_data[r][c] + ' |'
            template_str += '\n'
    
            # 添加分隔线
            if r == divider_row - 1:
                template_str += '|' + '|'.join([' :---: ' for _ in range(col_num)]) + '|\n'
  
        return template_str
    else:
        return "未找到表格"
def replace_html_tables_with_markdown(filename):
    with open(filename, 'r', encoding='utf-8') as file:
        content = file.read()

    # 查找所有的 HTML 表格
    html_tables = re.findall(r'<table.*?>.*?</table>', content, re.DOTALL)

    # 为每一个 HTML 表格生成 Markdown 表格并替换
    for html_table in html_tables:
        markdown_table = convert_html_table_to_markdown(html_table)
        content = content.replace(html_table, markdown_table)

    # 写入更新后的内容到文件
    with open(filename, 'w', encoding='utf-8') as file:
        file.write(content)

# 替换指定文件中的 HTML 表格
filename = r'D:\1.md'
replace_html_tables_with_markdown(filename)

效果

大概就是下面这样

其实还可以搞一个逆向的，或是转 excel，不过我没那能力

建议

还是希望思源官方能提供一键转表格的功能，我看论坛之前也有人提，代码也有现成的了

最后留一下 Doc2X 的邀请码 JRH0E7/66RYCA，这个网站对 md 笔记用户帮助还是挺大的，对扫描 pdf 也能识别,估计以后会收费啥的，早用早享受

‍