AI 读 Word 表格总读错？先查合并单元格和表头这 3 处

上周帮朋友处理一份 18 页的项目验收文档，里面有 11 张表。我让模型把「设备清单」抽成 JSON，字段名都对，行数总少两行。把同一页截图发过去，它又能读对。

问题不在模型，在我喂进去的文本：表格一转换，合并单元格把列号顶歪了，后面每一行的值都跟着错位。

先确认表格是不是「矩形」

python-docx 读表格很快，但它不会告诉你这张表是不是规整的。先打印前几行，看竖线数量：

python 复制代码

from docx import Document

doc = Document("验收文档.docx")
for ti, tbl in enumerate(doc.tables):
    print("table", ti, "rows", len(tbl.rows), "cols", len(tbl.columns))
    for row in tbl.rows[:3]:
        cells = [c.text.strip().replace("\n", " ") for c in row.cells]
        print(len(cells), " | ".join(cells))

如果某一行的 len(cells) 和其他行不一样，或者第一行只有一列、文字却横跨整页，基本可以判定有合并单元格。此时按位置取列，一定会错。

合并单元格会重复返回同一个单元格

Word 里横向合并（gridSpan）和纵向合并（vMerge）在 python-docx 里表现不同：横向合并后，row.cells 会把同一个单元格对象重复返回；纵向合并后，被合并的位置可能返回空文本。两种情况下，cells[3] 都不再等于「第 4 列」。

我的处理顺序是：

先读出 len(tbl.columns) 作为目标列数；
逐行遍历，遇到数量不足就补空字符串，遇到重复对象就跳过；
把纵向合并的值向下填充，直到下一个非空值出现。

python 复制代码

target = len(tbl.columns)
rows = []
for row in tbl.rows:
    vals, seen = [], set()
    for c in row.cells:
        key = id(c._tc)
        if key in seen:
            continue
        seen.add(key)
        vals.append(c.text.strip())
    while len(vals) < target:
        vals.append("")
    rows.append(vals[:target])

这段代码不优雅，但能把大部分「列错位」挡住。真正复杂的表，比如带斜线表头、跨页续表，我会直接放弃自动转换，改成人工确认后再喂给模型。

表头不一定在第一行

很多正式文档的表格第一行是标题，横跨所有列，比如「表 3-1 设备清单」。真正的字段名在第二行。如果直接把第一行当表头，模型拿到的字段名会全部变成「表 3-1 设备清单」。

我的判断方法：从上往下找第一行「非空单元格数量等于列数」的行，把它当表头；如果前一行只有一格，就把它当表标题单独存起来。这样后面做字段映射时，不会把标题误当字段。

转成 Markdown 后，对三个数

表格转成 Markdown 之后，我会先做一次不依赖模型的复核：

行数：Markdown 的行数是否等于 len(tbl.rows)；
列数：每行 | 分隔后的段数是否一致；
合计：如果原表有「合计」行，把数值列加一遍，看是否等于原表合计。

三个数里有一个对不上，就不把这张表交给模型。因为一旦行列错位，模型会把错误的值编得很合理，人工反而更难发现。

提交前我会看的 5 个点

表格是否为矩形，有没有某一行少列；
表头行是否唯一，表标题有没有被当成字段名；
合并单元格是填平还是跳过，规则是否写进了脚本；
数值列的单位是否保留（元 / 万元最容易丢）；
脚注和「续表」有没有被截断。

这套检查不复杂，但我现在每次处理带表格的文档都会先跑一遍。模型读错表格，十有八九不是理解能力问题，而是输入在转换阶段就已经变形了。