python-docx只读主段落流,不解析页眉页脚、文本框、表格内文本、批注等,故常得空段落;需显式遍历tables并提取cell.paragraphs,且须过滤空段落。

用 python-docx 读取 .docx 文件时,为什么只拿到空段落?
因为 python-docx 不解析页眉、页脚、文本框、表格内嵌文本、批注或受保护的文档内容。它只读 document.body 的主段落流——而很多“核心文字”其实藏在表格单元格里。
- 先检查文档是否含表格:
len(doc.tables)> 0,若有,必须遍历每个table的row.cells,再对每个cell调用paragraphs - 跳过空段落:用
if para.text.strip()过滤,避免提取大量换行符或空格 - 不推荐用
doc.paragraphs直接展开——它不包含表格内文本,会漏掉 30%+ 的正文(尤其合同、报告类文档)
遇到 .doc 文件(不是 .docx)怎么办?
python-docx 完全不支持旧版二进制 .doc 格式。硬转格式会丢样式、公式,还可能失败。
- 优先用系统级工具转存:
soffice --headless --convert-to docx input.doc(需 LibreOffice) - 纯 Python 方案:用
antiword(Linux/macOS)或win32com(Windows)调用 Word COM 接口——但后者必须本机装 Office,且多线程下不稳定 - 更稳妥的折中:用
docx2python库,它底层调用zipfile解压并尝试还原.doc的 OLE 结构,成功率约 65%,适合批量预筛
提取速度慢?别让 Document() 成为瓶颈
每次 Document(path) 都要解压 ZIP、解析 XML、构建对象树——单文档耗时常超 200ms。1000 份文档串行处理可能卡住 3 分钟以上。
Camoufox 是一个基于 Firefox 构建的开源反检测浏览器,为 Python 自动化工作流程提供强大的指纹注入和反机器人检测规避功能。它与 Playwright 集成,以提供能够绕过现代机器人检测系统的隐身浏览能力。
- 用
concurrent.futures.ThreadPoolExecutor并发,线程数设为min(32, os.cpu_count() + 4),实测提速 4–6 倍 - 跳过元数据解析:传入
read_only=True和keep_active=True(python-docx3.0.1+ 支持),减少内存拷贝 - 如果只需纯文本(不要样式/结构),直接用
zipfile.ZipFile读取word/document.xml,用xml.etree.ElementTree提取<t></t>标签内容——比Document()快 8–10 倍,但需自己过滤<tab></tab>、<br>等标签
中文乱码、符号错位、段落粘连怎么破?
根本原因不是编码问题,而是 Word 的「隐藏字符」和「兼容性格式」干扰了文本流:软回车(\n)、不间断空格(\xa0)、零宽空格(\u200b)、段落编号、自动编号列表等混在正文里。
立即学习“Python免费学习笔记(深入)”;
- 统一清洗:用正则
re.sub(r'[\u200b\u200c\u200d\ufeff\xa0]+', ' ', text)清理隐形分隔符 - 段落合并逻辑要谨慎:连续两段都以中文标点结尾(如
。!?;),且第二段首字非大写/数字/专有名词前缀(如“第”“一”“甲方”),才考虑合并 - 别依赖
para.style.name判断标题——很多文档用加粗+字号模拟标题,实际 style 是 “Normal”。建议用字体大小 + 加粗 + 行距组合启发式识别
真正棘手的是跨页表格、文本框浮动、嵌入 Excel 对象——这些内容在 XML 层就和主文档流分离,没有通用解析路径。遇到这类文档,得先人工抽样确认结构规律,再定制 XPath 或正则规则,没法靠一个库全自动扛住。

















