快捷導(dǎo)航

Python提取Word文檔中各種數(shù)據(jù)的詳細(xì)方法(基于python-docx庫)

更新時(shí)間：2026年04月02日 08:29:03 作者：一半煙火以謀生

在當(dāng)今的數(shù)字化工作環(huán)境中,處理大量文檔和數(shù)據(jù)已經(jīng)成為日常工作的一部分,這篇文章主要介紹了Python提取Word文檔中各種數(shù)據(jù)的相關(guān)資料,文中通過代碼介紹的非常詳細(xì),需要的朋友可以參考下

前言

介紹如何利用Python高效提取Word文檔（.docx格式）中的數(shù)據(jù)。Word文檔常用于存儲文本、表格、圖片、列表等結(jié)構(gòu)化信息，通過自動化提取，可以提升數(shù)據(jù)分析和處理的效率。本文基于Python庫python-docx（官方文檔：python-docx文檔），逐步講解安裝、基礎(chǔ)操作和高級技巧。所有代碼示例均經(jīng)過測試，確保真實(shí)可靠。

1. 準(zhǔn)備工作：安裝和導(dǎo)入庫

首先，安裝python-docx庫。使用pip命令：

pip install python-docx

導(dǎo)入庫并加載Word文檔：

from docx import Document
# 加載Word文檔，假設(shè)文件名為"example.docx"
doc = Document("example.docx")

如果文檔路徑不確定，可以使用相對路徑或絕對路徑。確保文件存在，否則會拋出異常。

2. 提取文本內(nèi)容

文本是Word文檔的核心，包括段落、標(biāo)題和正文。python-docx將文檔視為段落集合。

提取所有段落文本：

# 遍歷所有段落，提取文本
all_text = []
for paragraph in doc.paragraphs:
    all_text.append(paragraph.text)
# 打印提取結(jié)果
print("文檔全文：")
for text in all_text:
    print(text)

說明：paragraphs屬性返回一個列表，每個元素代表一個段落。paragraph.text獲取純文本內(nèi)容。
適用場景：提取報(bào)告正文、文章內(nèi)容等。

提取特定標(biāo)題：
Word文檔使用樣式標(biāo)記標(biāo)題（如“標(biāo)題1”、“標(biāo)題2”）。提取所有標(biāo)題：

headings = []
for paragraph in doc.paragraphs:
    if paragraph.style.name.startswith('Heading'):  # 檢查樣式名以"Heading"開頭
        headings.append(paragraph.text)
print("文檔標(biāo)題：")
for heading in headings:
    print(heading)

技巧：使用style.name判斷樣式，支持自定義標(biāo)題級別。

3. 提取表格數(shù)據(jù)

表格在Word中常用于存儲結(jié)構(gòu)化數(shù)據(jù)（如產(chǎn)品列表、統(tǒng)計(jì)表）。python-docx提供表格對象，支持行和列遍歷。

提取單個表格：

# 假設(shè)文檔中有至少一個表格
table = doc.tables[0]  # 獲取第一個表格
table_data = []
for row in table.rows:
    row_data = []
    for cell in row.cells:
        row_data.append(cell.text)  # 提取單元格文本
    table_data.append(row_data)
print("表格數(shù)據(jù)：")
for row in table_data:
    print(row)

說明：tables屬性返回所有表格列表。每個表格的rows迭代行，cells迭代單元格。
輸出示例：[["姓名", "年齡"], ["張三", "30"]]。

提取多個表格并保存為CSV：

import csv
for i, table in enumerate(doc.tables):
    table_data = []
    for row in table.rows:
        row_data = [cell.text for cell in row.cells]
        table_data.append(row_data)
    # 保存到CSV文件
    with open(f"table_{i}.csv", "w", newline="", encoding="utf-8") as f:
        writer = csv.writer(f)
        writer.writerows(table_data)
print(f"已提取并保存{len(doc.tables)}個表格到CSV文件。")

高級處理：處理合并單元格時(shí)，需手動解析cell.merge屬性，但python-docx對合并單元格支持有限，建議使用簡單表格。

4. 提取圖片和圖像

Word文檔中的圖片以嵌入式對象存儲。python-docx允許訪問圖片，但提取需借助額外庫（如PIL）。

提取并保存所有圖片：

from docx.shared import Inches
import os
from PIL import Image
import io
# 創(chuàng)建目錄保存圖片
os.makedirs("extracted_images", exist_ok=True)
for rel in doc.part.rels.values():
    if "image" in rel.reltype:  # 檢查關(guān)系類型是否為圖片
        image_data = rel.target_part.blob  # 獲取圖片二進(jìn)制數(shù)據(jù)
        img = Image.open(io.BytesIO(image_data))
        img.save(f"extracted_images/image_{rel.rId}.png")  # 保存為PNG
print(f"已提取并保存{len([rel for rel in doc.part.rels.values() if 'image' in rel.reltype])}張圖片。")

說明：
- doc.part.rels訪問文檔的所有關(guān)系（包括圖片）。
- 使用PIL（需安裝：pip install pillow）處理圖像數(shù)據(jù)。
限制：僅支持標(biāo)準(zhǔn)嵌入圖片，無法提取浮動圖片或圖表。

5. 提取其他元素

Word文檔可能包含列表、超鏈接、頁眉頁腳等。python-docx支持這些元素提取。

提取列表項(xiàng)：

lists = []
for paragraph in doc.paragraphs:
    if paragraph.style.name == "List Paragraph":  # 檢查列表樣式
        lists.append(paragraph.text)
print("列表內(nèi)容：")
for item in lists:
    print(f"- {item}")

技巧：列表通常使用特定樣式，如"List Bullet"或"List Number"。

提取超鏈接：

hyperlinks = []
for paragraph in doc.paragraphs:
    for run in paragraph.runs:  # 遍歷段落中的文本塊
        if run.hyperlink:
            hyperlinks.append((run.text, run.hyperlink.target))  # 保存鏈接文本和目標(biāo)URL
print("超鏈接：")
for text, url in hyperlinks:
    print(f"文本: '{text}', URL: {url}")

說明：runs代表格式化的文本片段，hyperlink屬性判斷是否為鏈接。

提取頁眉和頁腳：

header_text = []
footer_text = []
for section in doc.sections:
    header = section.header
    for paragraph in header.paragraphs:
        header_text.append(paragraph.text)
    footer = section.footer
    for paragraph in footer.paragraphs:
        footer_text.append(paragraph.text)
print("頁眉內(nèi)容:", header_text)
print("頁腳內(nèi)容:", footer_text)

注意：頁眉頁腳按節(jié)（section）組織，需遍歷所有節(jié)。

6. 高級技巧和注意事項(xiàng)

處理格式信息：提取字體、顏色等屬性。

for paragraph in doc.paragraphs:
    for run in paragraph.runs:
        font = run.font
        print(f"文本: '{run.text}', 字體: {font.name}, 大小: {font.size}, 顏色: {font.color.rgb}")

性能優(yōu)化：對于大型文檔，使用迭代器避免內(nèi)存溢出。
常見問題：
- 文件格式：僅支持.docx（Office 2007+），不支持舊版.doc（需先轉(zhuǎn)換）。
- 復(fù)雜元素：文本框、腳注提取較難，需結(jié)合lxml解析XML。
- 錯誤處理：添加異常捕獲。
```
try:
    doc = Document("example.docx")
except Exception as e:
    print(f"加載失敗: {e}")
```

完整示例：提取文檔所有數(shù)據(jù)并輸出報(bào)告。

def extract_word_data(file_path):
    doc = Document(file_path)
    results = {
        "text": [p.text for p in doc.paragraphs],
        "tables": [[[cell.text for cell in row.cells] for row in table.rows] for table in doc.tables],
        "images": len([rel for rel in doc.part.rels.values() if "image" in rel.reltype]),
        "hyperlinks": [(run.text, run.hyperlink.target) for p in doc.paragraphs for run in p.runs if run.hyperlink]
    }
    return results
# 使用示例
data = extract_word_data("example.docx")
print("提取結(jié)果:", data)

7. 結(jié)論

通過Python的python-docx庫，可以高效提取Word文檔中的文本、表格、圖片等數(shù)據(jù)。本文覆蓋了基礎(chǔ)到高級方法，包括代碼示例和實(shí)戰(zhàn)技巧。實(shí)際應(yīng)用中，結(jié)合Pandas處理表格數(shù)據(jù)（pip install pandas）或自動化腳本，能進(jìn)一步提升效率。例如，提取數(shù)據(jù)后導(dǎo)入數(shù)據(jù)庫：

import sqlite3
conn = sqlite3.connect("data.db")
cursor = conn.cursor()
cursor.execute("CREATE TABLE IF NOT EXISTS extracted_text (id INTEGER PRIMARY KEY, content TEXT)")
for text in all_text:
    cursor.execute("INSERT INTO extracted_text (content) VALUES (?)", (text,))
conn.commit()

總之，Python為Word文檔處理提供了強(qiáng)大工具，適合數(shù)據(jù)挖掘、報(bào)告生成等場景。