国产化Word处理控件Spire.Doc教程：Python提取Word文档中的文本、图片、表格等
在现代办公场景中，Word文档已成为信息存储与交流的重要载体，承载着关键的业务数据、结构化表格、可视化图表以及协作批注等重要内容。面对日益增长的文档处理需求，传统的人工操作方式已难以满足效率与准确性的双重标准。采用Python实现Word文档内容的自动化解析，不仅能显著提升处理效率、降低人为错误率，还能实现数据集成、内容迁移及智能分析等多种应用。
E-iceblue旗下Spire系列产品是国产文档处理领域的优秀产品，支持国产化，帮助企业高效构建文档处理的应用程序。本文将详细介绍如何使用 Spire.Doc for Python 库在 Python 中读取 Word 文档（包括 .doc 和 .docx 格式），并演示如何提取文本、图片、表格、批注、列表以及文档的元数据等信息。无论您是进行文档内容抓取、自动化报告生成，还是开发文档解析工具，本教程都将提供清晰的代码示例和实用指导。
Spire.Doc for Python试用下载
为什么使用 Python 读取 Word 文档？
Python 作为一门灵活且功能强大的编程语言，广泛应用于自动化、数据处理及内容分析等领域。使用 Python 读取 Word 文档，可以实现以下重要应用：
- 批量提取数据：从报告、合同、简历等文档中快速抓取关键信息，无需手工复制粘贴。
- 结构化内容解析：将文本、表格和图片等内容整理成数据库或分析模型，便于后续处理。
- 自动化工作流集成：将 Word 文档读取功能嵌入到 Web 服务、API 或后台系统，实现端到端自动化。
- 支持多格式文档处理：同时兼容现代 .docx 和传统 .doc 文件，保证业务场景的全面覆盖。
安装 Python Word 文档解析库
要在 Python 中读取 Word 文档，首先需要安装支持 .doc 和 .docx 格式的解析库。Spire.Doc for Python 是一款功能完善且独立于 Microsoft Office 的第三方库，支持提取文本、图片、表格、批注、列表及元数据等多种内容。
通过以下命令即可安装 Spire.Doc：
pip install Spire.Doc
安装完成后，即可在 Python 代码中导入并使用 Spire.Doc 进行 Word 文档的读取和处理。
使用 Python 读取 Word 文档中文本
提取文本是解析 Word 文档的基础需求。根据不同场景，你可能需要获取整篇文档的全部文本，或仅针对特定节、段落进行读取。
获取整个文档的文本
在文档管理系统中，提取全文文本有助于建立搜索索引，使用户能够通过关键词快速定位文档内容，从而提升查询效率和使用体验。
Spire.Doc 提供了 Document.GetText() 方法，可一次性提取 Word 文档中的所有文字信息，涵盖正文、表格及列表等内容。
以下示例展示了如何加载 Word 文档，获取全文文本，并将其保存为独立的文本文件，便于后续处理与分析：
from spire.doc import *# 创建Document对象
doc = Document()# 加载Word文档
doc.LoadFromFile("示例.docx")# 获取文档所有文本
text = doc.GetText()# 保存获取的文本为TXT文件
with open("output/提取文本.txt", "w", encoding="utf-8") as file:
file.write(text)document.Close()
获取特定节或段落的文本
在许多结构化文档（如报告、合同或说明书）中，内容通常被划分为多个节或段落。若只需提取文档中某一部分的文本信息，可以直接访问指定节，并逐段读取内容，实现更具针对性的处理。
以下示例展示了如何访问 Word 文档中的指定节，并提取其中所有段落的文本内容：
from spire.doc import *# 加载 .docx 或 .doc 文件
document = Document()
document.LoadFromFile("示例.docx")# 访问指定节
section = document.Sections[0]# 获取该节段落文本
with open("output/节文本.txt", "w", encoding="utf-8") as file:for paragraph in section.Paragraphs:file.write(paragraph.Text + "\n")document.Close()
使用 Python 读取 Word 文档中的特定元素
除了纯文本，Word 文档中还可能包含图片、表格、批注、列表及元数据等多种元素。Spire.Doc 提供丰富且便捷的接口，帮助开发者高效地提取这些内容，实现对文档结构和数据的全面访问。
提取图片
Word 文档中常包含图片元素，例如公司 Logo、插图、图表等。若需提取这些图片以便进行分析、存档或再利用，可通过遍历文档结构并识别图片对象（DocPicture）来实现。
以下是提取 Word 文档中所有图片并将其保存为本地文件的完整示例：
import queue
from spire.doc import *# 创建Document对象
doc = Document()# 加载Word文件
doc.LoadFromFile("示例.docx")# 创建队列对象
nodes = queue.Queue()
nodes.put(doc)# 创建列表
images = []while nodes.qsize() > 0:node = nodes.get()# 遍历文档中的子对象for i in range(node.ChildObjects.Count):child = node.ChildObjects.get_Item(i)# 判断子对象是否为图片if child.DocumentObjectType == DocumentObjectType.Picture:picture = child if isinstance(child, DocPicture) else NonedataBytes = picture.ImageBytes# 将图片数据添加到列表中images.append(dataBytes)elif isinstance(child, ICompositeObject):nodes.put(child if isinstance(child, ICompositeObject) else None)# 遍历列表中的图片
for i, item in enumerate(images):fileName = "图片-{}.png".format(i)with open("output/Images/"+fileName,'wb') as imageFile:# 将图片写入指定路径imageFile.write(item)
doc.Close()
获取表格数据
在 Word 文档中，表格常用于组织结构化数据，如报表或物品清单。使用 Spire.Doc，开发者可以遍历文档中的所有表格，访问表格中的每个单元格，并提取单元格的内容。
以下代码展示了如何提取Word文档中所有表格的数据，并将结果保存为文本文件：
from spire.doc import *
import os# 加载 Word 文档
document = Document()
document.LoadFromFile("示例.docx")# 指定输出文件夹存在
output_dir = "output/Tables"
os.makedirs(output_dir, exist_ok=True)# 遍历所有节并提取表格数据
for s in range(document.Sections.Count):section = document.Sections[s]tables = section.Tablesfor i in range(tables.Count):table = tables[i]table_data = ""for j in range(table.Rows.Count):row = table.Rows[j]for k in range(row.Cells.Count):cell = row.Cells[k]cell_text = ""for p in range(cell.Paragraphs.Count):para_text = cell.Paragraphs[p].Textcell_text += para_text + " "table_data += cell_text.strip()if k < row.Cells.Count - 1:table_data += "\t"table_data += "\n"# 将提取的表格数据写入文本文件output_path = os.path.join(output_dir, f"Word表格_{s+1}_{i+1}.txt")with open(output_path, "w", encoding="utf-8") as output_file:output_file.write(table_data)document.Close()
读取列表
Word 文档中的项目列表（如编号列表和项目符号列表）常用于展示条款、步骤或要点等结构化内容。借助 Spire.Doc，开发者可以轻松识别并提取文档中的列表。
以下代码示例展示了如何加载 Word 文件，查找所有列表项，并将项目编号（如数字或符号）和其对应的文本内容写入本地文本文件：
from spire.doc import *# 加载 Word 文档
document = Document()
document.LoadFromFile("示例.docx")# 创建文本文件，用于存放列表内容
with open("output/列表内容.txt", "w", encoding="utf-8") as output_file:# 遍历文档中的节for s in range(document.Sections.Count):section = document.Sections[s]# 遍历节中的段落for p in range(section.Paragraphs.Count):paragraph = section.Paragraphs[p]# 找到列表，提取其内容并保存至文本文件if paragraph.ListFormat.ListType != ListType.NoList:output_file.write(paragraph.ListText + paragraph.Text + "\n")document.Close()
提取批注
Word 支持添加批注，用于提供修改建议或评论。通过访问 Comments 集合，可以获取文档中所有批注的信息，包括批注作者和具体内容，便于实现审阅流程的自动化管理。
以下代码展示了如何提取所有批注，包括批注作者与内容，并保存到文本文件中：
from spire.doc import *# 加载 Word 文档
document = Document()
document.LoadFromFile("示例.docx")# 创建文本文件，用于存放批注内容
with open("output/批注内容.txt", "w", encoding="utf-8") as output_file:# 遍历文档中的所有批注，获取每个批注的作者和内容for i in range(document.Comments.Count):comment = document.Comments[i]output_file.write(f"批注 {i + 1}：\n")output_file.write(f"作者：{comment.Format.Author}\n")comment_text = ""for j in range(comment.Body.Paragraphs.Count):paragraph = comment.Body.Paragraphs[j]comment_text += paragraph.Text + "\n"output_file.write(f"内容: {comment_text.strip()}\n\n")document.Close()
获取元数据（文档属性）
Word 文档通常包含作者、标题、主题、关键字等元数据信息，这些数据保存在文档的 BuiltinDocumentProperties 属性中。提取这些属性有助于文档的归档管理、分类整理以及搜索优化。
以下示例代码展示了如何读取 Word 文档的标题、作者、主题等属性，并将其保存到本地文本文件：
from spire.doc import *# 加载 Word 文档
document = Document()
document.LoadFromFile("示例.docx")# 获取文档属性
props = document.BuiltinDocumentProperties# 将文档属性信息写入到本地文本文件
with open("output/元数据.txt", "w", encoding="utf-8") as output_file:output_file.write(f"标题: {props.Title}\n")output_file.write(f"作者: {props.Author}\n")
output_file.write(f"主题: {props.Subject}\n")document.Close()
总结
使用 Python 读取 Word 文档，不仅能够显著提升文档处理效率，还能实现数据提取与自动化工作的深度集成。通过 Spire.Doc for Python，开发者可以轻松完成 .doc 和 .docx 文件中的文本提取、表格读取、图片导出、批注解析、列表识别以及元数据获取等多种常见操作。
除了读取内容，Spire.Doc 还支持创建和编辑 Word 文档、设置样式格式、插入图片、执行文档合并，以及将 Word 转换为 PDF和图片等格式，满足从读取到输出的全流程需求，适用于报告生成、合同解析、批量文档处理等多种业务场景。
常见问题解答
Q1：Python 如何读取 Word（.doc/.docx）文档内容？
A1：可以使用 Spire.Doc for Python 来读取 Word 文件。该库支持加载 .doc 和 .docx 格式，并提取文档中的文本、图片、表格、批注等内容。
Q2：使用 Spire.Doc for Python 是否需要安装 Microsoft Office？
A2：不需要。Spire.Doc 是一款独立运行的 Word 处理库，无需安装 Microsoft Word 或 Office ，即可在 Python 项目中实现 Word 文件的读取与编辑功能。
Q3：除了读取 Word 内容，Spire.Doc 是否支持写入和生成 Word 文件？
A3：支持。Spire.Doc for Python 不仅可以读取 Word 文档内容，还支持以编程方式创建、编辑和保存 Word 文件。用户可以添加段落、设置样式、插入图片和表格，甚至将 Word 转换为 PDF 或图片格式，满足多样化的文档生成需求。