Python 使用 python-docx 提取 Word 文档数据详解

Python 提取 Word 文档中各种数据的详细方法

本文介绍如何利用 Python 高效提取 Word 文档（.docx 格式）中的数据。Word 文档常用于存储文本、表格、图片、列表等结构化信息，通过自动化提取，可以提升数据分析和处理的效率。基于 Python 库 python-docx，逐步讲解安装、基础操作和高级技巧。

1. 准备工作：安装和导入库

首先，安装 python-docx 库。使用 pip 命令：

pip install python-docx

导入库并加载 Word 文档：

from docx import Document
# 加载 Word 文档，假设文件名为"example.docx"
doc = Document("example.docx")

如果文档路径不确定，可以使用相对路径或绝对路径。确保文件存在，否则会抛出异常。

2. 提取文本内容

文本是 Word 文档的核心，包括段落、标题和正文。python-docx 将文档视为段落集合。

提取所有段落文本：

# 遍历所有段落，提取文本
all_text = []
for paragraph in doc.paragraphs:
    all_text.append(paragraph.text)
# 打印提取结果
print("文档全文：")
for text in all_text:
    print(text)

• 说明：paragraphs 属性返回一个列表，每个元素代表一个段落。paragraph.text 获取纯文本内容。
• 适用场景：提取报告正文、文章内容等。

提取特定标题： Word 文档使用样式标记标题（如'标题 1'、'标题 2'）。提取所有标题：

headings = []
for paragraph in doc.paragraphs:
    if paragraph.style.name.startswith('Heading'):
        # 检查样式名以"Heading"开头
        headings.append(paragraph.text)
print("文档标题：")
for heading in headings:
    print(heading)

• 技巧：使用 style.name 判断样式，支持自定义标题级别。