Python 使用 python-docx 读取与解析 Word 文档

操作目标与前置条件

本文将指导如何通过 Python 自动读取 Word 文档的结构与内容。开始前需确保已安装第三方库 python-docx。在终端执行以下命令完成环境准备：

$ pip install python-docx

第1步：加载 Word 文档并检查元数据

导入模块后，使用 Document() 方法载入目标文件。加载成功后即可通过 core_properties 访问内置元数据（如标题、关键词、修改时间）。需注意，并非所有 Word 文件都完整填充了这些字段，部分由工具生成的文档可能为空值。

>>> import docx
>>>> doc = docx.Document('document_1.docx')
>>>> doc.core_properties.title
'Research Overview of Adversarial Attacks and Defenses on Graphs'
>>>> doc.core_properties.keywords
'Abstract'
>>>> doc.core_properties.modified
datetime.datetime(2020, 8, 1, 3, 11)

第2步：遍历段落并筛选有效文本

Word 文档的数据按段落（paragraphs）结构化存储，而非按页。由于存在大量换行符或空白字符，直接打印会导致冗余输出。建议遍历列表时判断 paragraph.text 是否为真值，从而跳过空段落：

>>> for index, paragraph in enumerate(doc.paragraphs):
...     if paragraph.text:
...             print(index, paragraph.text)

若需精确提取特定位置的文本，可直接传入索引值。例如获取第 5 段（主标题）和第 6 段（摘要标识）的内容：

>>> doc.paragraphs[5].text
'Research Overview of Adversarial Attacks and Defenses on Graphs'
>>>> doc.paragraphs[6].text
'Abstract '

第3步：解析段落内的样式属性（Runs）

paragraph 内部进一步划分为多个 runs 对象。同一视觉样式的连续文字会被合并为一个 run，而中途改变格式的文字则会被拆分为新的 run。通过访问 run 对象的 bold 和 italic 属性，即可检测加粗或斜体状态：

>>> doc.paragraphs[5].runs[0].bold
True
>>>> doc.paragraphs[7].runs[0].text
'Deep neural networks'
>>>> doc.paragraphs[7].runs[0].bold
True
>>>> doc.paragraphs[7].runs[13].text
'DNNs'
>>>> doc.paragraphs[7].runs[13].italic
True

完成判断与常见问题排查

• 元数据缺失：若读取 core_properties 返回空字符串或报错，说明该 Word 文件未保留底层元数据，属正常现象。
• 样式断裂：Word 排版中频繁切换字体或大小会导致一个自然段被切分成数十个 runs。处理复杂样式表时，建议先按 runs 分组再聚合文本，避免丢失格式标记。

总结

以上就是使用 Python 配合 python-docx 库读取与解析 Word 文档的详细内容，更多关于自动化提取文档元数据、段落文本及富文本样式的资料请关注本站其它相关文章！