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
| 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
import pandas as pd
from io import StringIOmarkdown_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
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 rowspan 和 colspan进行填补。
示例
<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）
from bs4 import BeautifulSouphtml = """
<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 = 0for 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 colspanfor 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
['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 |
import pandas as pddf = pd.read_excel("example.xlsx")
df['姓名'] = df['姓名'].ffill()
print(df)
输出
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） 或 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库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
from docx import Documentdoc = 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 = Nonefor row in data:if row[col]:last_val = row[col]else:row[col] = last_valfor row in data:print(row)
输出
['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