Ruby で Word のテーブルを読み取る方法

文書中の特定のテーブルを読み取る方法について紹介します．

背景
スクリプト
解説

背景

Word ファイルにおいて，特定の章に記載されているテーブルの内容を読み取りたいシチュエーションは良くあるかと思います．
例えば次のような表が複数含まれる文書において，「そして」という章に含まれる表のみを読み取る場合です．

これを実現するのが次のスクリプトです．

スクリプト

#!/usr/bin/env ruby
# -*- coding: utf-8 -*-

Encoding.default_internal = "utf-8"
Encoding.default_external = "utf-8"

require 'win32ole'
require 'pp'

def get_pos_map(doc, style_name)
  pos_map = {}
  doc.Paragraphs.each do |para|
    next if (para.Range.Style.NameLocal != style_name)
    pos_map[para.Range.Text.gsub(%r|[\a\r\n\f]|, "")] = {
      start: para.Range.Start,
      end: para.Range.End,
    }
  end
  return pos_map
end

def get_table_list(doc, pos)
  table_list = []
  doc.Tables.each do |table|
    next if table.Range.Start > pos[:end]
    next if table.Range.End < pos[:start]
    table_list.push(table)
  end
  return table_list
end

begin
  word = WIN32OLE.new("Word.Application")
  word.DisplayAlerts = false

  fso = WIN32OLE.new('Scripting.FileSystemObject')
  doc = word.Documents.Open({
                    FileName: fso.GetAbsolutePathName('./sample.docx'),
                    ReadOnly: true
                  })

  pos_map = get_pos_map(doc, "見出し 1")
  table_list = get_table_list(doc, pos_map["そして"])

  table_info_list = []
  table_list.each do |table|
    table_info = []
    (1..table.Rows.Count).each do |row|
      row_info = []
      (1..table.Columns.Count).each do |col|
        row_info.push(table.Cell(row,col).Range.Text.gsub(%r|[\a\r\n\f]|, ""))
      end
      table_info.push(row_info)
    end
    table_info_list.push(table_info)
  end

  PP.pp(table_info_list, STDOUT, 30)
ensure
  word.Quit
end

#!/usr/bin/env ruby

# -*- coding: utf-8 -*-

Encoding.default_internal = "utf-8"

Encoding.default_external = "utf-8"

require 'win32ole'

require 'pp'

def get_pos_map(doc, style_name)

pos_map = {}

doc.Paragraphs.each do |para|

next if (para.Range.Style.NameLocal != style_name)

pos_map[para.Range.Text.gsub(%r|[\a\r\n\f]|, "")] = {

start: para.Range.Start,

end: para.Range.End,

}

end

return pos_map

end

def get_table_list(doc, pos)

table_list = []

doc.Tables.each do |table|

next if table.Range.Start > pos[:end]

next if table.Range.End < pos[:start]

table_list.push(table)

end

return table_list

end

begin

word = WIN32OLE.new("Word.Application")

word.DisplayAlerts = false

fso = WIN32OLE.new('Scripting.FileSystemObject')

doc = word.Documents.Open({

FileName: fso.GetAbsolutePathName('./sample.docx'),

ReadOnly: true

})

pos_map = get_pos_map(doc, "見出し 1")

table_list = get_table_list(doc, pos_map["そして"])

table_info_list = []

table_list.each do |table|

table_info = []

(1..table.Rows.Count).each do |row|

row_info = []

(1..table.Columns.Count).each do |col|

row_info.push(table.Cell(row,col).Range.Text.gsub(%r|[\a\r\n\f]|, ""))

end

table_info.push(row_info)

end

table_info_list.push(table_info)

end

PP.pp(table_info_list, STDOUT, 30)

ensure

word.Quit

end

冒頭に掲載した内容の sample.docx ファイルに対して上記のスクリプトを実行すると，以下の出力が得られます．

[[["な", "に", "ぬ"],
  ["は", "ひ", "ふ"],
  ["ま", "み", "む"]]]

[[["な", "に", "ぬ"],

["は", "ひ", "ふ"],

["ま", "み", "む"]]]

解説

処理のポイントは，まず get_pos_map で章の範囲を取得する点です．その後，文書に含まれるテーブルの一覧の中から先ほどの範囲に含まれるものを抽出します．