Python读取Word：python-docx解析段落

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！