Python使用docx2txt库提取Word文档内容及高级解析技巧

Nora

发布时间：2026-10-15 | 3人浏览过

原创

本文介绍Python中docx2txt库的安装与基本用法，演示如何通过命令行或代码从.docx文件中提取纯文本及图片。此外，深入探讨了利用python-docx库解析Word底层XML结构的方法，包括如何识别并提取目录（std标签）和文本框（textbox标签）内容，以及如何通过处理pPr标签还原段落格式，解决文本域保存不显示的问题。

docx2txt的Github地址

docx2txt是一个基于Python开发的工具库，主要用于从.docx格式的文件中提取文本和图片数据。

该库的代码灵感来源于python-docx项目，除了基础文本外，它还能提取页眉、页脚以及超链接中的文字内容。目前版本已支持图像提取功能。

安装


pip install docx2txt

运行

1、命令行运行


# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx

2、在python中调用


# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx

补充：python docx提取word中的目录及文本框中的文本

问题描述

python docx提取word中的目录及文本框中的文本

解决方案

由于标准的docx库未提供直接识别Word文档中目录和文本框内文本的方法，因此采用了一种基于XML解析的替代方案。具体思路是将Word文档解析为XML格式，通过查找特定的XML标签来定位并提取目录及文本框中的内容。

具体实现时，迭代文档的所有element元素。对于目录，其对应的tag为“std”，找到该节点后提取其所有文本即可得到目录内容；对于文本框，其tag为“textbox”，找到后需继续向下查找tag为 'r' 的子element，提取其中的文本即为文本框内的内容。


# 提取word目录
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
for child in children:
 # 通过类型判断目录
 if child.tag.endswith('main}sdt'):
  for ci in child.iter():
   if ci.text and ci.text.strip():
    child_iters.append(ci)
catalog = [ci.text for ci in child_iters]


# 提取word文本框中文本
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
for child in children:
 # 通过类型判断目录
 if child.tag.endswith('textbox'):
  for ci in child.iter():
   if ci.tag.endswith('main}r'):
    child_iters.append(ci)
textbox = [ci.text for ci in child_iters]

在确定文本域标签的过程中进行了多次尝试：初次使用AlternateContent标签，发现对部分文本域无效；第二次尝试pict标签，基本覆盖了测试用例中的所有文本域；第三次全面检查Word文档的标签结构后，发现使用textbox标签更为可靠，经测试能覆盖所有场景，因此最终选定该标签。

提取文本后发现，许多内容呈现为短语或单词形式，缺乏完整的句子结构。因此需要将这些提取的文本还原为段落格式。


file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
tags = []
for child in children:
 # 通过类型判断目录
 if child.tag.endswith(('AlternateContent','textbox')):
  for ci in child.iter():
   tags.append(ci.tag)
   if ci.tag.endswith(('main}r', 'main}pPr')):
    child_iters.append(ci)
text = ['']
for ci in child_iters :
 if ci.tag.endswith('main}pPr'):
  text.append('')
 else:
  text[-1] += ci.text
 ci.text = ''
trans_text = ['***'+t+'***' for t in text]
print(trans_text)
i， k = 0, 0
for ci in child_iters :
 if ci.tag.endswith('main}pPr'):
  i += 1
  k = 0
 elif k == 0:
  ci.text = trans_text[i]
  k = 1
file.save('E:/***/test.docx')

处理时，将标签pPr视为换行标志。在提取的文本每段前后添加“***”标记，随后将这些处理后的文本写回文档中。

注意：在此过程中发现，AlternateContent标签必须保留。如果忽略该标签，虽然可以提取文本域内的文字，但在修改文字并保存Word文档后，更改后的内容可能无法正确显示。

以上为个人经验分享，旨在提供参考。如有错误或考虑不周之处，欢迎指正。