本文介绍一种两阶段策略，通过定位表头标识（如"ruletable"）自动识别excel中未定义为正式表格的多组数据区域，并精准提取其内容，跳过空白行/列，避免空单元格干扰。
本文介绍一种两阶段策略，通过定位表头标识（如"ruletable"）自动识别excel中未定义为正式表格的多组数据区域，并精准提取其内容，跳过空白行/列，避免空单元格干扰。
在实际业务场景中，许多Excel文件虽包含逻辑清晰的多个数据表，但并未使用Excel的“插入表格”（Ctrl+T）功能，而是以纯单元格形式排布——即所谓“伪表格”（non-table tables）。这类文件无法直接用pd.read_excel(sheet_name, usecols=..., skiprows=...)一次性解析，传统逐行扫描易受空值干扰，导致截断或错位。
以下提供一套鲁棒性更强的双遍历提取方案：
✅ 第一阶段：定位所有表格起始坐标
遍历整个DataFrame，搜索含特定前缀（如'RuleTable'）的单元格，记录其行列索引（row_id, col_id）。注意：列索引需清洗（如将'Unnamed: 3'转为3）。
import pandas as pd
df = pd.read_excel('data/test.xlsx', sheet_name='Sheet1')
# Step 1: Detect table headers
table_starts_coordinates = []
for row_id, row in df.iterrows():
for col_id, value in row.items():
if pd.notna(value) and str(value).startswith('RuleTable'):
# Clean column name to extract numeric index
clean_col = str(col_id).replace('Unnamed: ', '')
if clean_col.isdigit():
table_starts_coordinates.append((row_id, int(clean_col)))
✅ 第二阶段：按坐标批量提取完整表格
对每个起始点，向下向右扩展读取，直到遇到首个空单元格为止。关键逻辑：
- 纵向终止条件：当前列c在某行为空 → 表格行结束；
- 横向终止条件：当前行从列c开始出现空单元格 → 该行列结束。
tables = []
for row_id, col_id in table_starts_coordinates:
table_data = [] # (value, row_offset, col_offset)
i = 0
# Read row by row from start row
for _, row in df.iloc[row_id:].iterrows():
if pd.isna(row.iloc[col_id]): # Empty header cell → stop reading this table
break
j = 0
# Read column by column from start column
for cell_val in row.iloc[col_id:]:
if pd.isna(cell_val):
break
table_data.append((cell_val, i, j))
j += 1
i += 1
if not table_data:
continue
# Build DataFrame with inferred shape
max_i = max(idx[1] for idx in table_data) + 1
max_j = max(idx[2] for idx in table_data) + 1
table_df = pd.DataFrame(index=range(max_i), columns=range(max_j))
for val, r, c in table_data:
table_df.iloc[r, c] = val
tables.append(table_df)
⚠️ 注意事项与优化建议
- 空单元格容忍：若表格内部存在合法空值（如可选字段），上述方法会提前截断。此时应改用三阶段法：先扫描首行确定列数，再扫描首列确定行数，最后统一读取矩形区域；
- 列名处理：提取后建议调用 table_df.columns = table_df.iloc[0]; table_df = table_df[1:].reset_index(drop=True) 提升可用性；
- 性能提示：对超大Excel（>10万行），建议改用openpyxl底层迭代器替代pandas.read_excel，避免全量加载内存；
- 健壮性增强：可在str(value).startswith(...)前添加isinstance(value, str)判断，防止数值型RuleTable123被误判。
最终，tables列表即为所有识别出的伪表格对应的DataFrame集合，可进一步清洗、合并或导出，真正实现“无表之表”的自动化解析。
