RAG 分块中表格填补简明示例:Markdown、HTML、Excel、Doc

表格填补是RAG分块中常见的需求,但不同格式的表格处理方式有所不同。本文将对 Markdown、HTML、Excel 的合并单元格进行说明,并给出 Python 示例,演示如何解析和填补。

1. Markdown 表格

Markdown 只能用空值表示合并单元格。(只有列方向的合并表格

示例

复制代码
| 姓名 | 科目 | 分数 |
|------|------|------|
| 张三 | 数学 | 90   |
|      | 语文 | 85   |
| 张三 | 英语 | 88   |
| 李四 | 数学 | 92   |
|      | 语文 | 80   |

Python 解析

python 复制代码
import pandas as pd
from io import StringIO

markdown_table = """
姓名|科目|分数
张三|数学|90
|语文|85
张三|英语|88
李四|数学|92
|语文|80
"""

df = pd.read_csv(StringIO(markdown_table), sep="|")
df['姓名'] = df['姓名'].ffill()
print(df)

输出

复制代码
    姓名  科目  分数
0   张三  数学   90
1   张三  语文   85
2   张三  英语   88
3   李四  数学   92
4   李四  语文   80

2. HTML 表格

HTML 可以用 rowspancolspan进行填补

示例

复制代码
<table>
  <tr>
    <td rowspan="2">张三</td>
    <td>数学</td>
    <td>90</td>
  </tr>
  <tr>
    <td>语文</td>
    <td>85</td>
  </tr>
  <tr>
    <td rowspan="2">李四</td>
    <td>数学</td>
    <td>92</td>
  </tr>
  <tr>
    <td>语文</td>
    <td>80</td>
  </tr>
</table>

Python 解析(BeautifulSoup + 填补 rowspan)

python 复制代码
from bs4 import BeautifulSoup

html = """
<table>
  <tr>
    <td rowspan="2">张三</td>
    <td>数学</td>
    <td>90</td>
  </tr>
  <tr>
    <td>语文</td>
    <td>85</td>
  </tr>
  <tr>
    <td rowspan="2">李四</td>
    <td>数学</td>
    <td>92</td>
  </tr>
  <tr>
    <td>语文</td>
    <td>80</td>
  </tr>
</table>

"""

soup = BeautifulSoup(html, "html.parser")
rows = soup.find_all("tr")

# 构建空表格
table = []
for r, row in enumerate(rows):
    cols = row.find_all("td")
    current_row = []
    for col in cols:
        value = col.get_text()
        rowspan = int(col.get("rowspan", 1))
        colspan = int(col.get("colspan", 1))
        current_row.append({"value": value, "rowspan": rowspan, "colspan": colspan})
    table.append(current_row)

# 计算总列数
max_cols = max(sum(cell["colspan"] for cell in row) for row in table)

# 初始化填补后的表格
filled_table = [[None]*max_cols for _ in range(len(table))]

# 填充逻辑
for r, row in enumerate(table):
    c_idx = 0
    for cell in row:
        # 找到当前行可用位置
        while filled_table[r][c_idx] is not None:
            c_idx += 1
        # 填充 rowspan 和 colspan
        for i in range(cell["rowspan"]):
            for j in range(cell["colspan"]):
                filled_table[r+i][c_idx+j] = cell["value"]
        c_idx += cell["colspan"]

# 打印结果
for r in filled_table:
    print(r)

输出

复制代码
['张三', '数学', '90']
['张三', '语文', '85']
['李四', '数学', '92']
['李四', '语文', '80']

3. Excel 表格

Excel 合并单元格读取后用 pandas 填补即可。

姓名 科目 分数
张三 (合并两行) 数学 90
语文 85
李四 (合并两行) 数学 92
语文 80
复制代码
import pandas as pd

df = pd.read_excel("example.xlsx")
df['姓名'] = df['姓名'].ffill()
print(df)

输出

复制代码
     姓名  科目  分数
0   张三  数学   90
1   张三  语文   85
2   李四  数学   92
3   李四  语文   80

4. Word 表格合并单元格特点

在 Word 文档里,表格同样支持"合并单元格",类似于 Excel,但它有自己的特点:

  • 可以 合并行(rowspan)合并列(colspan)

  • 合并单元格的内容只保留左上角的单元格,其余单元格为空

  • Python 读取 Word 表格通常用 python-docx

  • 读取后的表格数据需要手动填补合并单元格的空值,类似 Excel

示例 Word 表格

姓名 科目 分数
张三 (合并两行) 数学 90
语文 85
李四 (合并两行) 数学 92
语文 80

Python 解析 Word 表格并填补

python 复制代码
from docx import Document

doc = Document("example.docx")
table = doc.tables[0]

# 先读取表格内容
data = []
for row in table.rows:
    data.append([cell.text.strip() if cell.text.strip() else None for cell in row.cells])

# 填补合并单元格(垂直填充)
for col in range(len(data[0])):
    last_val = None
    for row in data:
        if row[col]:
            last_val = row[col]
        else:
            row[col] = last_val

for row in data:
    print(row)

输出

复制代码
['张三', '数学', '90']
['张三', '语文', '85']
['李四', '数学', '92']
['李四', '语文', '80']

结论:

  • Markdown:用空值表示合并单元格,再 ffill()

  • HTML:用 rowspan,需要逻辑填补

  • Excel:合并单元格读取后是 NaN,用 ffill()

  • Word 表格合并单元格读取后非首单元格为 None

  • 可以用 逐列垂直填充 (类似 Excel ffill()

  • Python 最常用库是 python-docx

相关推荐
Sui_Network19 分钟前
CUDIS 健康协议在 Sui 上打造更健康的未来
人工智能·科技·web3·去中心化·区块链
飞哥数智坊22 分钟前
Claude 4.5 升级解析:很强,但请别跳过“Imagine”
人工智能·ai编程·claude
星期天要睡觉35 分钟前
计算机视觉(opencv)——基于 dlib 关键点定位
人工智能·opencv·计算机视觉
程序边界1 小时前
AI时代如何高效学习Python:从零基础到项目实战de封神之路(2025升级版)
人工智能·python·学习
研梦非凡1 小时前
探索3D空间的视觉基础模型系列
人工智能·深度学习·神经网络·机器学习·计算机视觉·3d
gooxi_hui1 小时前
国鑫发布新一代「海擎」服务器 全面兼容国内外主流OAM GPU
人工智能
Gerlat小智2 小时前
【手撕机器学习 04】手撕线性回归:从“蒙眼下山”彻底理解梯度下降
人工智能·机器学习·线性回归
学术小白人2 小时前
IEEE出版 | 2026年计算智能与机器学习国际学术会议(CIML 2026)
人工智能·机器学习
jie*2 小时前
小杰深度学习(four)——神经网络可解释性、欠拟合、过拟合
人工智能·python·深度学习·神经网络·scikit-learn·matplotlib·sklearn
学习是生活的调味剂2 小时前
PEFT实战LoRA微调OpenAI Whisper 中文语音识别
人工智能·whisper·语音识别