Word 文档读取器

使用 Python 解析 Word 文档，提取文本内容和结构化信息。

支持的功能

• - 文档文本提取 - 提取段落、标题、页眉页脚内容
• 表格解析 - 读取表格数据并转换为结构化格式
• 图片处理 - 提取文档中的图片信息
• 元数据获取 - 读取文档属性（作者、标题、创建时间等）
• 批量处理 - 支持处理多个文档

用法

基本文本提取

bash
python3 {baseDir}/scripts/read_word.py <文件路径>

指定输出格式

bash

JSON 输出

python3 {baseDir}/scripts/read_word.py <文件路径> --format json

纯文本输出

python3 {baseDir}/scripts/read_word.py <文件路径> --format text

Markdown 格式

python3 {baseDir}/scripts/read_word.py <文件路径> --format markdown

提取特定内容

bash

只提取文本

python3 {baseDir}/scripts/read_word.py <文件路径> --extract text

提取表格数据

python3 {baseDir}/scripts/read_word.py <文件路径> --extract tables

获取文档元数据

python3 {baseDir}/scripts/read_word.py <文件路径> --extract metadata

批量处理

bash

处理目录下所有 .docx 文件

python3 {baseDir}/scripts/read_word.py <目录路径> --batch

参数说明

参数	说明	默认值
--format	输出格式（json/text/markdown）	text
--extract

提取内容类型（text/tables/images/metadata/all） | all | | --batch | 批量处理模式 | false | | --output | 输出文件路径 | stdout | | --encoding | 文本编码（utf-8/gb2312） | utf-8 |

输出格式

JSON 格式

json
{
metadata: {
title: 文档标题,
author: 作者姓名,
created: 2024-01-01T10:00:00,
modified: 2024-01-01T12:00:00
},
text: 文档全文内容...,
tables: [
[
[表头1, 表头2],
[行1列1, 行1列2],
[行2列1, 行2列2]
]
],
images: [
{
filename: image1.png,
description: 图片描述,
size: 1024x768
}
]
}

Markdown 格式

markdown

文档标题

作者：作者姓名
创建时间：2024-01-01 10:00:00

正文内容

这是文档的正文内容...

表格示例

表头1	表头2
行1列1	行1列2
行2列1

行2列2 |

图片列表

1. 1. image1.png (1024x768) - 图片描述

错误处理

• - 文件不存在：显示错误信息并退出
• 格式不支持：提示支持的文件类型
• 权限问题：提示文件访问权限
• 编码问题：尝试自动检测编码

示例场景

1. 查看项目文档

bash
python3 {baseDir}/scripts/read_word.py 项目需求.docx --format markdown

2. 提取会议记录

bash
python3 {baseDir}/scripts/read_word.py 会议记录.docx --extract text

3. 批量处理文档

bash
python3 {baseDir}/scripts/read_word.py ./文档目录 --batch --format json --output results.json

注意事项

• - 支持 .docx 格式（Office 2007+）
• .doc 格式需要额外依赖（如 antiword）
• 大文档处理可能需要较长时间
• 图片提取仅获取元数据，不包含实际图片数据
• 表格格式可能需要手动调整

故障排除

常见问题

1. 1. ModuleNotFoundError: 确保已安装 python-docx
2. PermissionError: 检查文件读取权限
3. UnicodeDecodeError: 尝试不同的编码格式

安装依赖

bash
pip3 install python-docx

对于 .doc 格式支持：
bash

Ubuntu/Debian

sudo apt-get install antiword

macOS

brew install antiword

高级功能

自定义样式处理

脚本会自动处理以下文档元素：

• - 标题级别（H1-H6）
• 段落样式
• 列表项目
• 页眉页脚
• 文档属性

性能优化

• - 大文件流式处理
• 内存使用优化
• 进度显示（批量模式）