用 Python 一键提取 Word 文档全部内容,文字、表格、图片全都有

pip install python-docx

from docx import Documentdoc = Document("demo.docx")for p in doc.paragraphs:    print(p.text)

from docx.oxml.table import CT_Tblfrom docx.oxml.text.paragraph import CT_Pfrom docx.table import Table, _Cellfrom docx.text.paragraph import Paragraphfrom docx.document import Document as _Documentdef iter_blocks(parent):    """按文档真实顺序，依次产出 Paragraph 或 Table"""    if isinstance(parent, _Document):        elm = parent.element.body    elif isinstance(parent, _Cell):        elm = parent._tc    else:        raise TypeError("不支持的容器")    for child in elm.iterchildren():        if isinstance(child, CT_P):            yield Paragraph(child, parent)        elif isinstance(child, CT_Tbl):            yield Table(child, parent)

import reHEADING_RE = re.compile(r'^(?:Heading|标题)\s*([1-6])$', re.I)def get_heading_level(paragraph):    style_name = (paragraph.style.name or '').strip()    m = HEADING_RE.match(style_name)    if m:        return int(m.group(1))    if style_name in ('Title', '标题'):        return 1    return None

def extract_table(table):    data = []    for row in table.rows:        cells = []        for cell in row.cells:            # 单元格内可能有多个段落，用换行拼起来            text = '\n'.join(p.text.strip() for p in cell.paragraphs if p.text.strip())            cells.append(text)        data.append(cells)    return data

import osfrom docx.oxml.ns import qndef save_images_from_run(run, doc, out_dir, counter):    """抽出一个 run 里所有图片，保存到本地，返回文件名列表"""    names = []    for blip in run._element.findall('.//' + qn('a:blip')):        rid = blip.get(qn('r:embed'))        if not rid:            continue        part = doc.part.related_parts.get(rid)        if part is None:            continue        ext = os.path.splitext(str(part.partname))[1] or '.png'        counter[0] += 1        name = f"img_{counter[0]:03d}{ext}"        with open(os.path.join(out_dir, name), 'wb') as f:            f.write(part.blob)        names.append(name)    return names

# -*- coding: utf-8 -*-"""extract_word.py提取 Word 文档中的文字、表格、图片，按原顺序输出为结构化数据用法:    python extract_word.py demo.docx"""import osimport reimport shutilfrom docx import Documentfrom docx.oxml.ns import qnfrom docx.oxml.table import CT_Tblfrom docx.oxml.text.paragraph import CT_Pfrom docx.table import Table, _Cellfrom docx.text.paragraph import Paragraphfrom docx.document import Document as _DocumentHEADING_RE = re.compile(r'^(?:Heading|标题)\s*([1-6])$', re.I)def iter_blocks(parent):    """按文档真实顺序依次产出 Paragraph / Table"""    if isinstance(parent, _Document):        elm = parent.element.body    elif isinstance(parent, _Cell):        elm = parent._tc    else:        raise TypeError("不支持的容器")    for child in elm.iterchildren():        if isinstance(child, CT_P):            yield Paragraph(child, parent)        elif isinstance(child, CT_Tbl):            yield Table(child, parent)def get_heading_level(paragraph):    style_name = (paragraph.style.name or '').strip()    m = HEADING_RE.match(style_name)    if m:        return int(m.group(1))    if style_name in ('Title', '标题'):        return 1    return Nonedef extract_table(table):    data = []    for row in table.rows:        cells = []        for cell in row.cells:            text = '\n'.join(p.text.strip() for p in cell.paragraphs if p.text.strip())            cells.append(text)        data.append(cells)    return datadef save_images_from_run(run, doc, out_dir, counter):    names = []    for blip in run._element.findall('.//' + qn('a:blip')):        rid = blip.get(qn('r:embed'))        if not rid:            continue        part = doc.part.related_parts.get(rid)        if part is None:            continue        ext = os.path.splitext(str(part.partname))[1] or '.png'        counter[0] += 1        name = f"img_{counter[0]:03d}{ext}"        with open(os.path.join(out_dir, name), 'wb') as f:            f.write(part.blob)        names.append(name)    return namesdef extract_docx(docx_path, img_dir='images'):    doc = Document(docx_path)    if os.path.isdir(img_dir):        shutil.rmtree(img_dir)    os.makedirs(img_dir, exist_ok=True)    counter = [0]    blocks = []    for block in iter_blocks(doc):        if isinstance(block, Paragraph):            text = block.text.strip()            has_img = bool(block._element.findall('.//' + qn('a:blip')))            imgs = []            for run in block.runs:                imgs.extend(save_images_from_run(run, doc, img_dir, counter))            if not text and not has_img:                continue            blocks.append({                'type': 'paragraph',                'text': text,                'heading_level': get_heading_level(block),                'images': imgs,            })        elif isinstance(block, Table):            blocks.append({                'type': 'table',                'data': extract_table(block),            })    return blocksif __name__ == '__main__':    import sys    src = sys.argv[1] if len(sys.argv) > 1 else 'demo.docx'    result = extract_docx(src)    for b in result:        if b['type'] == 'paragraph':            prefix = '#' * b['heading_level'] if b['heading_level'] else ''            print(f"{prefix}{b['text']}")            for img in b['images']:                print(f"  [图片] {img}")        elif b['type'] == 'table':            print("[表格]")            for row in b['data']:                print("  | " + " | ".join(row) + " |")

python extract_word.py 我的文档.docx

def to_markdown(blocks, img_dir='images'):    lines = []    for b in blocks:        if b['type'] == 'paragraph':            if b['heading_level']:                lines.append('#' * b['heading_level'] + ' ' + b['text'])            elif b['text']:                lines.append(b['text'])            for img in b['images']:                lines.append(f'![图片]({img_dir}/{img})')        elif b['type'] == 'table':            for i, row in enumerate(b['data']):                lines.append('| ' + ' | '.join(row) + ' |')                if i == 0:                    lines.append('| ' + ' | '.join(['---'] * len(row)) + ' |')    return '\n\n'.join(lines)