在數(shù)據(jù)處理任務(wù)中，從 Word 文檔中提取結(jié)構(gòu)化內(nèi)容（尤其是文本和表格）是一項(xiàng)高頻需求。Python 生態(tài)中雖然有許多庫（如 python-docx），但當(dāng)文檔排版復(fù)雜、或需要同時(shí)處理表格與正文時(shí)，Spire.Doc for Python 提供了更穩(wěn)定、功能更全面的解決方案。本文將帶您一步步實(shí)現(xiàn) Word 文本提?。ú懭?TXT 文件）以及表格數(shù)據(jù)的自動(dòng)導(dǎo)出。

一、準(zhǔn)備工作：安裝與授權(quán)

Spire.Doc for Python 是一個(gè)功能強(qiáng)大的 Word 操作庫，支持 .doc / .docx 等多種格式。安裝非常簡單：

pip install spire.doc

默認(rèn)情況下，該庫會以免費(fèi)模式運(yùn)行，但處理超過 500 段落或 25 個(gè)表格時(shí)會添加評估水印。對于小型文檔或測試場景已足夠。若需生產(chǎn)環(huán)境，可申請臨時(shí)授權(quán)或購買商用許可。

二、提取全部文本并寫入 TXT 文件

原始的 GetText() 方法僅將文本打印到控制臺。在實(shí)際工作中，我們通常需要將內(nèi)容持久化保存。下面的代碼修改為讀取 Word 全文，并將其寫入指定的 .txt 文件中：

from spire.doc import *
from spire.doc.common import *

# 創(chuàng)建 Document 對象并加載 Word 文件
doc = Document()
doc.LoadFromFile("input.docx")

# 獲取整個(gè)文檔的純文本內(nèi)容
full_text = doc.GetText()

# 將文本寫入 txt 文件
with open("output.txt", "w", encoding="utf-8") as file:
    file.write(full_text)

doc.Close()
print("文本提取完成，已保存至 output.txt")

代碼要點(diǎn)說明 ：

• GetText() 會按閱讀順序提取段落、標(biāo)題、頁眉頁腳等所有文本內(nèi)容，但忽略圖片、圖形等元素。
• 寫入時(shí)指定 utf-8 編碼，確保中文不出現(xiàn)亂碼。
• 操作完成后調(diào)用 doc.Close() 釋放資源。

三、精確提取并導(dǎo)出所有表格

Word 中的表格往往承載著關(guān)鍵數(shù)據(jù)（如報(bào)表、清單）。Spire.Doc 提供了層次清晰的 API：文檔 → 節(jié)(Section) → 表格(Table) → 行 → 單元格 → 段落。以下代碼會遍歷每個(gè)節(jié)中的所有表格，將每個(gè)表格單獨(dú)保存為一個(gè) .txt 文件（以制表符分隔，便于后續(xù)導(dǎo)入 Excel）：

from spire.doc import *
from spire.doc.common import *
import os
# 創(chuàng)建輸出文件夾
output_dir = "output/Tables"
os.makedirs(output_dir, exist_ok=True)
# 加載 Word 文檔
doc = Document()
doc.LoadFromFile("Sample.docx")
# 遍歷所有節(jié)
for section_idx in range(doc.Sections.Count):
    section = doc.Sections.get_Item(section_idx)
    tables = section.Tables
    for table_idx in range(tables.Count):
        table = tables.get_Item(table_idx)
        table_data = ""
        # 遍歷表格所有行和單元格
        for row_idx in range(table.Rows.Count):
            row = table.Rows.get_Item(row_idx)
            for col_idx in range(row.Cells.Count):
                cell = row.Cells.get_Item(col_idx)
                # 收集單元格內(nèi)所有段落文本
                cell_text = ""
                for para_idx in range(cell.Paragraphs.Count):
                    cell_text += cell.Paragraphs.get_Item(para_idx).Text + " "
                table_data += cell_text.strip()
                # 列之間用制表符分隔
                if col_idx < row.Cells.Count - 1:
                    table_data += "\t"
            table_data += "\n"   # 行結(jié)束
        # 保存當(dāng)前表格數(shù)據(jù)
        output_path = f"{output_dir}/WordTable_{section_idx+1}_{table_idx+1}.txt"
        with open(output_path, "w", encoding="utf-8") as f:
            f.write(table_data)
        print(f"已保存：{output_path}")
doc.Close()

代碼解析 ：

• 多層循環(huán)確保不會遺漏任何嵌套表格（注意：Spire.Doc 中表格可能嵌套在單元格內(nèi)，本示例僅處理頂層表格，若需深層嵌套可遞歸處理）。
• 單元格內(nèi)容通過遍歷其 Paragraphs 集合獲得，避免丟失換行或樣式分隔。
• 輸出文件名按“節(jié)索引_表索引”命名，清晰可追溯。

四、整合應(yīng)用與注意事項(xiàng)

1. 性能與內(nèi)存

對于大文檔（數(shù)百頁），建議按需處理：若只需表格，可跳過文本提?。环粗嗳?。doc.Close() 必須執(zhí)行，否則可能造成句柄泄露。

2. 表格合并單元格的處理

當(dāng)表格存在跨行或跨列合并時(shí)，上述代碼仍能正常提取每個(gè)單元格的文本，但輸出的純文本結(jié)構(gòu)會丟失合并關(guān)系。如需保留行列結(jié)構(gòu)，可借助 Cell.ColumnSpan 和 RowSpan 屬性構(gòu)建標(biāo)記矩陣。

3. 免費(fèi)版限制

未授權(quán)的 Spire.Doc 最多可處理 10 頁文檔的前 3 頁內(nèi)容（或 500 段落）。建議先用小文檔驗(yàn)證邏輯，生產(chǎn)環(huán)境中購買授權(quán)或使用分頁讀取策略。

五、總結(jié)

通過 Spire.Doc for Python，僅需幾十行代碼即可完成 Word 文本與表格的批量抽取任務(wù)。本文提供的兩個(gè)核心函數(shù)：文本寫入 TXT 與表格逐表導(dǎo)出，可直接嵌入您的數(shù)據(jù)處理流水線。結(jié)合 Python 的文件操作與后續(xù)分析（如 pandas 讀取表格 txt），您將能輕松構(gòu)建文檔解析自動(dòng)化系統(tǒng)。

如果遇到復(fù)雜文檔布局或表格合并單元格的特殊需求，Spire.Doc 還提供了 ExportToHtml、SaveToFile 等豐富接口，值得深入探索。歡迎在實(shí)際項(xiàng)目中靈活運(yùn)用，讓文檔處理不再繁瑣。

到此這篇關(guān)于Python實(shí)現(xiàn)精準(zhǔn)提取Word文檔中的文本與表格的文章就介紹到這了,更多相關(guān)Python提取Word文本與表格內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論