别再东拼西凑了！用Python-docx按顺序提取Word里的文字、表格和图片（附完整代码）
·
Python-docx全元素顺序解析实战：文字、表格与图片的一站式提取方案
每次接手需要处理Word文档的项目时，开发者们总会遇到这样的困境：网上充斥着各种零散的教程——有的教你提取文字，有的讲解表格处理，还有的专门介绍图片获取。但实际业务文档往往是文字、表格、图片的混合体，我们需要的是 按照文档原始顺序 完整提取所有内容。本文将彻底解决这个痛点，提供两种经过实战检验的完整解决方案。
1. 为什么需要顺序解析Word文档？
在日常开发中，我们遇到的Word文档从来不会规规矩矩地把所有文字放在一起、所有表格集中出现。一份技术报告可能先是一段说明文字，接着是数据表格，然后是示意图，再跟着分析文字——这种混合编排才是常态。
传统方法的问题在于：
- 信息断层 ：单独提取的文字失去了与表格、图片的关联关系
- 顺序错乱 ：分别处理不同元素后，难以还原文档原始结构
- 兼容性差 ：拼凑的代码面对复杂文档时容易崩溃
实际案例：需要将Word版产品说明书导入CMS系统时，必须保持"文字描述→参数表格→产品图片"的原始顺序，否则生成的网页内容将完全失去可读性。
2. 环境准备与基础概念
2.1 安装python-docx库
pip install python-docx
这个官方维护的库虽然名为"python-docx"，但实际上支持.docx格式的读写操作。需要注意：
- 仅支持Office 2007及以后版本的.docx格式
- 对.doc旧格式无效（需先用Word另存为.docx）
- 最新版本(0.8.11)已修复许多历史遗留问题
2.2 文档结构解析原理
Word文档本质上是XML文件的压缩包，主要包含这些结构：
| 元素类型 | XML标签 | python-docx对应类 |
|---|---|---|
| 段落文字 | <w:p> | Paragraph |
| 表格 | <w:tbl> | Table |
| 图片 | pic:pic | ImagePart |
理解这点很重要： 所有内容都是平等地排列在文档流中 ，没有所谓的"文字区域"或"图片区域"之分。
3. 方案一：自动迭代器解析法
这是最直接的全自动解决方案，适合大多数顺序提取场景。核心思路是利用文档对象的迭代器特性，按出现顺序遍历所有元素。
3.1 完整实现代码
from docx import Document
from docx.document import Document as Doc
from docx.text.paragraph import Paragraph
from docx.parts.image import ImagePart
from docx.table import _Cell, Table
from docx.oxml.table import CT_Tbl
from docx.oxml.text.paragraph import CT_P
def is_image(paragraph: Paragraph, doc: Document):
"""判断段落是否包含图片"""
images = paragraph._element.xpath('.//pic:pic')
return len(images) > 0
def get_image_part(paragraph: Paragraph, doc: Document):
"""提取段落中的图片对象"""
for image in paragraph._element.xpath('.//pic:pic'):
for img_id in image.xpath('.//a:blip/@r:embed'):
return doc.part.related_parts[img_id]
return None
def iter_block_items(parent):
"""
生成器函数：按文档顺序返回所有内容块
返回类型可能是Paragraph、Table或ImagePart
"""
if isinstance(parent, Document):
parent_elm = parent.element.body
elif isinstance(parent, _Cell):
parent_elm = parent._tc
else:
raise ValueError("无效的父元素类型")
for child in parent_elm.iterchildren():
if isinstance(child, CT_P):
paragraph = Paragraph(child, parent)
if is_image(paragraph, parent):
yield get_image_part(paragraph, parent)
else:
yield paragraph
elif isinstance(child, CT_Tbl):
yield Table(child, parent)
def parse_document(filepath):
"""主解析函数"""
doc = Document(filepath)
for block in iter_block_items(doc):
if isinstance(block, ImagePart):
print(f"[图片] 保存到: images/{block.filename}")
# 实际应用中可以保存图片到指定路径
elif isinstance(block, Table):
print("[表格] 行数:", len(block.rows))
# 处理表格数据
else:
print("[文本]", block.text)
3.2 关键点解析
- 生成器设计 ：
iter_block_items()采用生成器模式，可以处理超大型文档而不会内存溢出 - 类型判断 ：通过检查XML节点类型(CT_P/CT_Tbl)区分内容和表格
- 图片处理 ：需要特殊处理是因为图片实际上是嵌入在段落中的特殊元素
3.3 实际应用示例
假设有一个产品说明书.docx，包含：
- 产品介绍文字
- 技术参数表格
- 产品外观图片
- 使用注意事项
我们的解析器会严格按这个顺序输出：
[文本] 产品介绍内容...
[表格] 行数: 5
[图片] 保存到: images/image1.png
[文本] 使用注意事项...
4. 方案二：可控式逐步解析法
当需要更精细控制解析过程时（比如遇到特定内容需要特殊处理），可以采用手动控制迭代的方案。
4.1 核心代码实现
from docx import Document
from docx.oxml import CT_P, CT_Tbl
class WordParser:
def __init__(self, filepath):
self.doc = Document(filepath)
self.iter = iter(self.doc.element.body)
def next_block(self):
"""获取下一个内容块"""
try:
node = next(self.iter)
if isinstance(node, CT_P):
return self._process_paragraph(node)
elif isinstance(node, CT_Tbl):
return ('table', Table(node, self.doc))
except StopIteration:
return None
def _process_paragraph(self, node):
para = Paragraph(node, self.doc)
if is_image(para, self.doc):
return ('image', get_image_part(para, self.doc))
return ('text', para.text)
4.2 方案优势
- 流程控制 ：可以随时暂停解析，根据当前内容决定后续操作
- 状态保存 ：容易实现"回退几步"等复杂逻辑
- 条件处理 ：遇到特定内容时可触发自定义操作
4.3 使用示例
parser = WordParser("contract.docx")
while True:
block = parser.next_block()
if not block:
break
block_type, content = block
if block_type == 'text' and "保密条款" in content:
print("发现敏感内容，停止解析")
break
# 其他处理逻辑...
5. 实战技巧与疑难解答
5.1 图片提取的三大陷阱
-
多图段落 ：一个段落可能包含多张图片
# 修改is_image函数返回图片列表而非布尔值 def get_all_images(paragraph, doc): images = [] for pic in paragraph._element.xpath('.//pic:pic'): for img_id in pic.xpath('.//a:blip/@r:embed'): images.append(doc.part.related_parts[img_id]) return images -
图片格式 ：提取的图片可能是emf/wmf等矢量格式
# 添加格式转换 from PIL import Image def save_image(image_part): with open(image_part.filename, 'wb') as f: f.write(image_part.blob) if image_part.filename.endswith('.emf'): # 转换为PNG等通用格式 Image.open(image_part.filename).save('converted.png') -
内联对象 ：图表可能以DrawingML而非Picture形式存在
# 扩展检测逻辑 def is_graphic(paragraph): return (len(paragraph._element.xpath('.//pic:pic')) > 0 or len(paragraph._element.xpath('.//w:drawing')) > 0)
5.2 表格处理进阶技巧
合并单元格处理 ：
def parse_table(table):
for row in table.rows:
for cell in row.cells:
if cell._tc.vMerge == 'restart':
# 这是合并单元格的起始单元格
print("合并单元格:", cell.text)
表格嵌套检测 ：
def has_nested_tables(element):
return len(element.xpath('.//w:tbl')) > 1
5.3 性能优化建议
-
懒加载模式 ：处理大文档时
doc = Document(docx=filepath, lazy_load=True) -
并行处理 ：适合多文档批处理
from concurrent.futures import ThreadPoolExecutor def process_file(path): parser = WordParser(path) # 处理逻辑... with ThreadPoolExecutor() as executor: executor.map(process_file, docx_files) -
缓存机制 ：重复处理相同文档时
from functools import lru_cache @lru_cache(maxsize=32) def get_document(filepath): return Document(filepath)
6. 完整项目集成示例
让我们看一个真实项目中的集成案例：将Word产品手册转换为JSON格式，保持原始结构和媒体文件。
import json
import os
from pathlib import Path
def word_to_json(input_path, output_dir):
"""将Word文档转换为结构化JSON"""
os.makedirs(output_dir/'images', exist_ok=True)
result = {
"metadata": {"source": input_path.name},
"content": []
}
doc = Document(input_path)
for block in iter_block_items(doc):
if isinstance(block, ImagePart):
img_path = output_dir/'images'/block.filename
with open(img_path, 'wb') as f:
f.write(block.blob)
result["content"].append({
"type": "image",
"path": str(img_path.relative_to(output_dir))
})
elif isinstance(block, Table):
result["content"].append({
"type": "table",
"data": [[cell.text for cell in row.cells]
for row in block.rows]
})
else:
result["content"].append({
"type": "text",
"content": block.text
})
with open(output_dir/'content.json', 'w') as f:
json.dump(result, f, indent=2)
这个方案在实际项目中表现出色：
- 保持了文档原始顺序
- 正确处理了所有内容类型
- 生成的JSON可直接被前端或其他系统使用
- 图片等二进制内容被妥善保存并建立引用关系
更多推荐
10
0- 0
已为社区贡献6条内容
所有评论(0)