Python读取Word:python-docx解析段落
2026-03-16 13:18:45
0浏览
收藏
本文深入解析了使用 python-docx 读取 Word 文档时最常见的四大陷阱:严格限定仅支持 .docx 格式(非 .doc)、paragraphs 仅覆盖正文段落而遗漏标题/表格/文本框等内容、中文显示依赖字体名却无校验机制导致误判、以及纯文本提取易受空段落、格式符号和结构复杂性干扰;通过精准的格式验证、分层内容遍历、样式优先于字体名的判断逻辑,以及逐 run 级别的文本拼接策略,帮你避开“读不到”“取为空”“乱码”“漏内容”等典型误区,真正掌握稳健可靠的 Word 文本解析方法。

python-docx 读不到中文段落?检查文档是否真为 .docx 格式
很多用户以为双击打开是 Word 就能用 python-docx,结果 Document() 报 PackageNotFoundError 或直接崩溃。根本原因是:.doc 文件(OLE 复合二进制格式)和 .docx(Open XML)结构完全不同,python-docx 只支持后者。
- 用 Windows 资源管理器看文件扩展名,确认是
.docx而非.doc(哪怕图标一样) - 在终端里执行
file your_file.doc(Linux/macOS)或用 PowerShell 运行Get-Item your_file.doc | % Extension,验证真实格式 - 如果真是
.doc,必须先转存为.docx—— 用 Word 打开后「另存为」→ 选择「Word 文档 (*.docx)」,别用「兼容模式」保存
为什么 paragraph.text 返回空字符串?注意标题、表格、文本框里的文本
python-docx 的 Document.paragraphs 只返回顶层段落(即“正文”区域的段落),不包含标题、页眉页脚、表格单元格、文本框、脚注中的内容。很多用户误以为“所有文字都在 paragraphs 里”,结果漏掉关键信息。
- 标题需遍历
document.styles或检查paragraph.style.name是否含"Heading" - 表格文本必须显式访问:
for table in document.tables: for row in table.rows: for cell in row.cells: for paragraph in cell.paragraphs: print(paragraph.text) - 文本框(Shape)内容藏在
document.part._element.xpath('//w:txbxContent'),但极难稳定提取;建议提前在 Word 中把文本框内容复制到正文
中文乱码或格式丢失?不是编码问题,是字体与样式未映射
python-docx 不解析字体渲染逻辑,也不加载系统字体。它读取的是 Word 文档中记录的“字体名称字符串”(如 "SimSun"、"Microsoft YaHei"),但不会校验该字体是否存在。所以你看到 run.font.name 是中文名,不代表能正确显示或参与后续处理。
- 不要依赖
run.font.name做字体判断,它可能为空、为None,或返回英文别名(如"Arial"即使实际显示是黑体) - 真正可靠的样式标识是
run.style(如"Strong"、"Emphasis")或手动设置的run.bold/run.italic布尔值 - 若需提取“加粗的中文标题”,优先用
paragraph.style.name.startswith("Heading") and run.bold,而不是比对字体名
想批量提取纯文本?别只拼 p.text,小心换行和空段落干扰
直接 "\n".join(p.text for p in doc.paragraphs) 看似简单,但实际会混入大量空行(Word 自动分页产生的空段落)、无意义换行(人为按 Shift+Enter)、以及表格/列表编号前的不可见字符。
- 过滤空段落:
p.text.strip() != "" - 合并软回车(
run.text内部的\n):默认已由paragraph.text合并为单行,无需额外处理 - 去掉列表编号和缩进符号:用正则
re.sub(r'^[\s•◦▪●0-9.\)\-]+', '', p.text.strip()),但注意这会误伤正常数字开头的句子 - 更稳妥的做法是逐
run拆解:"".join(run.text for p in doc.paragraphs for run in p.runs),再统一清理空白符
复杂文档的文本结构远不止“段落拼接”,样式嵌套、分节符、域代码(比如页码、目录)都会让纯文本提取变得脆弱。真要高保真还原,得接受部分信息必然丢失——这是 python-docx 的能力边界,不是你代码写错了。
今天关于《Python读取Word:python-docx解析段落》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于的内容请关注golang学习网公众号!
今日头条官网入口及登录方法详解
- 上一篇
- 今日头条官网入口及登录方法详解
- 下一篇
- Golang微服务接口测试实战指南
查看更多
最新文章
-
- 文章 · python教程 | 1天前 | 线程池 · Python 线程池 concurrent.futures 任务取消 Future.cancel
- Python concurrent.futures.Future.cancel 怎样判断任务能否取消
- 143浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · HTTP服务 · 多线程 · Python教程 · Python 并发请求 http.server ThreadingHTTPServer ThreadingMixIn BaseHTTPRequestHandler
- Python http.server ThreadingHTTPServer 怎样处理并发请求
- 481浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python tarfile.TarInfo.replace 怎样复制归档成员属性
- 308浏览 收藏
-
- 文章 · python教程 | 1天前 | 并发编程 · Python教程 · Python 多进程 multiprocessing forkserver 启动上下文
- Python multiprocessing forkserver 怎样处理进程启动上下文
- 232浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · 异步编程 · Python教程 · Python asyncio StreamReader readexactly IncompleteReadError 异步流
- Python asyncio.StreamReader.readexactly 怎样处理不足长度的输入
- 427浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python operator.length_hint 怎样为未知长度迭代器设置估计值
- 336浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · Python教程 · Python warnings catch_warnings simplefilter filterwarnings 警告过滤
- Python warnings context manager 怎样临时调整警告过滤
- 255浏览 收藏
-
- 文章 · python教程 | 1天前 | 调试 · python · 异步编程 · Python asyncio introspection current_task all_tasks
- Python asyncio introspection 怎样定位当前任务
- 120浏览 收藏
-
- 文章 · python教程 | 1天前 | 标准库 · Python教程 · Python 类型注解 Python 3.14 annotationlib get_annotations ForwardRef 延迟注解
- Python 3.14 annotationlib.get_annotations 怎样读取延迟注解
- 423浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python 3.14 跨解释器 Queue.put 的阻塞与 QueueFull 处理方案
- 157浏览 收藏
-
- 文章 · python教程 | 1天前 | xml · python · Python xml xml.etree.ElementTree canonicalize C14N
- Python xml.etree.ElementTree.canonicalize 怎样生成稳定的 XML 文本
- 151浏览 收藏
查看更多
课程推荐
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
查看更多
AI推荐
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1159次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1143次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1320次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1262次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1120次使用
查看更多
相关文章
-
- Python TaskGroup 怎样让子任务失败统一收敛
- 2026-11-12 501浏览
-
- Python xml.dom.minidom.unlink 怎样释放不再使用的 DOM 树引用
- 2026-10-27 501浏览
-
- Python typing 怎样用 TypeIs 缩小类型
- 2026-10-24 501浏览
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览

