codex怎么读取word文档及docx文件操作教程

在自动化办公和数据清洗的场景中，让代码模型或脚本直接“阅读”Word文档是一个常见需求。通常的建议是避免直接解析二进制格式的 .doc 文件，转而专注于基于XML标准的 .docx 格式。这并非因为旧格式无法读取，而是 .docx 的结构更透明，便于通过标准库进行稳定提取。理解这一前提，能帮助我们选择正确的工具链，避免在复杂的二进制解析中陷入困境。

区分文件格式的本质差异

Word文档主要有两种历史遗留格式：.doc 和 .docx。前者是微软专有的二进制格式，结构封闭且复杂；后者本质上是ZIP压缩包，内部包含一系列XML文件和资源文件夹。

对于代码处理而言，.docx 的优势在于其开放性。我们可以将其解压，直接查看 word/document.xml 中的文本节点。这种结构使得第三方库能够可靠地映射文档结构，而无需逆向工程二进制流。因此，当任务涉及批量提取文本或分析文档结构时，优先确保源文件为 .docx 格式是第一步。

使用 python-docx 提取纯文本

在Python生态中，python-docx 是处理 .docx 文件的事实标准库。它并不渲染文档视觉效果，而是专注于提取语义内容。最基本的操作是遍历文档中的所有段落，将文本拼接起来。

以下代码展示了如何读取一个名为 example.docx 的文件并提取所有段落文本：

from docx import Document

def extract_text_from_docx(file_path):
    doc = Document(file_path)
    full_text = []
    for paragraph in doc.paragraphs:
        full_text.append(paragraph.text)
    return '\n'.join(full_text)

# 使用示例
# text_content = extract_text_from_docx('example.docx')
# print(text_content)

这段代码的逻辑非常直观：加载文档对象，迭代 paragraphs 集合，获取每个段落的 text 属性。需要注意的是，paragraph.text 仅返回段落内的纯文本，不包含字体、颜色或加粗等样式信息。如果文档中包含表格，上述代码会忽略表格内容，因为表格在 python-docx 中属于独立的对象结构。

使用python-docx遍历段落提取纯文本的代码结构

处理表格与结构化数据

许多Word文档的核心价值在于表格。若只提取段落，会丢失大量关键数据。python-docx 提供了 tables 属性来访问文档中的所有表格。我们需要嵌套循环来遍历行和单元格。

def extract_tables_from_docx(file_path):
    doc = Document(file_path)
    table_data = []
    for table in doc.tables:
        for row in table.rows:
            row_data = [cell.text for cell in row.cells]
            table_data.append(row_data)
    return table_data

这种处理方式将二维表格转换为嵌套列表，便于后续存入数据库或转换为CSV。但需注意，合并单元格在处理时可能会产生空字符串或重复数据，具体行为取决于底层XML的定义方式。在实际业务中，往往需要对提取出的 row_data 进行清洗，去除首尾空白或无效字符。

保留样式的局限性

开发者常希望代码不仅能读取文字，还能保留“标题1”、“加粗”或“红色字体”等样式。然而，python-docx 的设计哲学是侧重内容而非表现。虽然可以通过 paragraph.style.name 获取段落样式名称，或通过 run 对象检查字体属性，但这会显著增加代码复杂度。

例如，一个段落可能由多个 run 组成，每个 run 可能有不同的格式。要完整重建样式，需要遍历每个段落下的所有 run，判断其 bold、italic 等属性，并自行生成标记语言（如Markdown或HTML）。这对于简单的文本提取任务来说，投入产出比极低。

Word文档内部XML结构与python-docx对象映射示意

异常处理与文件损坏

在实际操作中，并非所有 .docx 文件都是合法的。用户可能修改了扩展名，或者文件在传输中损坏。直接调用 Document() 可能会抛出 PackageNotFoundError 或 KeyError。

健壮的代码应当包含异常捕获机制：

from docx import Document
from docx.opc.exceptions import PackageNotFoundError

def safe_extract(file_path):
    try:
        doc = Document(file_path)
        return '\n'.join([p.text for p in doc.paragraphs])
    except PackageNotFoundError:
        return "错误：文件不是有效的docx格式或已损坏"
    except Exception as e:
        return f"发生未知错误: {str(e)}"

这种防御性编程能防止因单个坏文件导致整个批处理任务中断。特别是在处理用户上传文件时，验证文件头或尝试解压测试是必要的前置步骤。

例外情况：何时不使用此方法

尽管 python-docx 适用于大多数文本提取场景，但在以下例外情况中，应考虑其他方案：

1. 需要高精度视觉还原：如果目标是将Word转为PDF或图片，保持页眉页脚、分栏和图文混排的精确位置，python-docx 无能为力。此时应调用微软Office COM接口（Windows平台）或使用LibreOffice的命令行工具进行转换。
2. 处理老旧 .doc 文件：对于二进制 .doc 文件，python-docx 完全不支持。需要使用 pywin32 调用Word应用程序本身，或使用 antiword 等专用工具，但这些方法依赖特定操作系统环境，移植性差。
3. 超大文档性能瓶颈：python-docx 会将整个文档加载到内存中。对于数百兆的文档，可能导致内存溢出。此时应考虑流式解析XML，或使用专门的大文件处理库，但这牺牲了易用性。

文本提取与视觉还原方案的选择逻辑

小结

读取Word文档的核心在于认清 .docx 的XML本质。使用 python-docx 可以高效提取纯文本和表格数据，适合数据清洗和内容分析任务。但它不是排版引擎，不适合用于需要保留复杂视觉样式的场景。在面对非标准文件或旧格式时，需结合异常处理和替代工具，根据具体需求权衡内容提取与格式保真的关系。