.docx文件本质是遵循OOXML标准的ZIP压缩包，含document.xml（正文）、styles.xml（样式）等核心XML部件；推荐用python-docx等库安全提取文本，避免手动解析XML导致的样式继承、编号还原、特殊字符等问题。
Word的.docx文件本质上是ZIP压缩包，里面包含多个XML文件和资源，读取内容的关键是解压并解析其中的document.xml（主文档内容）和styles.xml（样式信息）等核心部件。
理解.docx的内部结构
.docx不是二进制黑盒，而是遵循Office Open XML（OOXML）标准的ZIP归档。用任意解压工具（如7-Zip、WinRAR）重命名.docx为.zip后打开，能看到如下关键路径：
- word/document.xml —— 存放正文文字、段落、换行、简单内联格式（如加粗、斜体）
- word/styles.xml —— 定义标题样式、正文样式、自定义样式名及对应格式
- word/numbering.xml 和 word/styles.xml —— 联合决定编号/项目符号逻辑
- word/media/ —— 图片等嵌入对象（按名称引用，不直接存于document.xml）
- [Content_Types].xml —— 声明各部件类型，帮助程序识别哪些是文档主体
用Python安全读取文本内容（推荐方式）
不建议手动解压+解析XML——容易漏掉样式继承、编号还原、特殊字符（如软回车、分节符）、注释、页眉页脚等。更稳妥的做法是用成熟库：
- python-docx：专注读写.docx，自动处理document.xml + styles.xml + numbering.xml联动，返回段落、运行（Run）、表格等对象
- docx2python：将.docx按“节→段落→运行→文本+样式”逐层拆解为Python原生数据结构（dict/list），适合需要精细控制样式提取的场景
- lxml + zipfile：仅在需深度定制（如只提取某类标签、修复损坏文件）时使用，需自行处理命名空间、关系映射、样式继承
示例（python-docx）：
Word 文档生成与编辑
下载
需要创建、读取、编辑或处理 Word 文档（.docx / .dotx）时使用。触发词：'Word'、'word 文档'、'.docx'、'生成报告'、'制作合同/简历/方案/说明书'、'提取 word 内容'、'在文档里查找替换'、'给文档加页眉页脚/目录/表格'。也用于把任意内容排版成一份正式的 Word 文件。不要用它处理 PDF、Excel 或无关编程任务。中文创作场景尤其适合：小说大纲稿、投稿文档、合同、简历、工作总结。
from docx import Document
doc = Document("example.docx")
for para in doc.paragraphs:
print(para.text) # 自动合并同一段内所有Run的文本
for run in para.runs:
if run.bold:
print(" → 加粗:", run.text)
手动解析document.xml的注意事项
如果坚持用XML解析（如用lxml或xml.etree.ElementTree），必须注意：
- XML有严格命名空间：
http://schemas.openxmlformats.org/wordprocessingml/2006/main，查询元素时要带ns前缀，例如{http://...}p表示段落 - 文本分散在
w:t（纯文本）、w:tab、w:br（换行）、w:cr（软回车）中，需按顺序拼接 - 格式信息在
w:rPr（运行属性）下，如w:b表示加粗，但实际是否生效取决于样式继承链，不能孤立判断 - 超链接、脚注、域代码（如TOC、页码）都以特殊XML结构存在，
w:t里可能为空，内容藏在别处
为什么直接读XML容易出错
因为Word的渲染逻辑远比XML结构复杂：
- 一个“标题1”段落的字体大小，可能来自样式定义 + 用户手动覆盖 + 模板默认值，XML里只存差异部分
- 列表编号由
numbering.xml中的抽象ID +document.xml中引用 +styles.xml中编号样式共同决定 - 中文换行、全角空格、零宽字符、域结果（如“第1页”）在
w:t中不可见，需额外解析w:fldChar等节点 - 修订模式（Track Changes）下的删除/插入内容，在XML中有专门标记，普通文本提取会跳过或混淆
基本上就这些。想稳定提取可读文本，优先用python-docx；真要碰XML，先解压看一眼结构，再带着命名空间和OOXML规范查文档。
