本文介绍使用 go 语言解析 word 文档（.docx 和 .doc）以提取全部纯文本内容的实用方法，重点讲解基于 zip/xml 解析 .docx 的原理与实现，并指出 .doc 的兼容性挑战及替代方案。
本文介绍使用 go 语言解析 word 文档（.docx 和 .doc）以提取全部纯文本内容的实用方法，重点讲解基于 zip/xml 解析 .docx 的原理与实现，并指出 .doc 的兼容性挑战及替代方案。
在 Go 生态中，原生不支持直接读取 Word 文档，但可通过第三方库或底层协议解析实现文本提取。其中，.docx 格式是开放标准（Office Open XML），本质为 ZIP 压缩包，内含结构化 XML 文件；而 .doc 是微软私有二进制格式（OLE 复合文档），解析难度高、生态支持弱。
✅ 推荐方案：优先处理 .docx.docx 文件解压后，核心文本通常位于 word/document.xml 中。以下是一个轻量级解析示例（无需引入大型依赖）：
package main
import (
"archive/zip"
"encoding/xml"
"fmt"
"io"
"os"
"strings"
)
type Document struct {
Body struct {
P []Paragraph `xml:"p"`
} `xml:"body"`
}
type Paragraph struct {
R []Run `xml:"r"`
}
type Run struct {
T string `xml:"t"`
}
func extractDocxText(filename string) (string, error) {
r, err := zip.OpenReader(filename)
if err != nil {
return "", fmt.Errorf("failed to open docx: %w", err)
}
defer r.Close()
var docXML io.ReadCloser
for _, f := range r.File {
if f.Name == "word/document.xml" {
docXML, err = f.Open()
if err != nil {
return "", fmt.Errorf("failed to open document.xml: %w", err)
}
break
}
}
if docXML == nil {
return "", fmt.Errorf("document.xml not found in %s", filename)
}
defer docXML.Close()
var doc Document
if err := xml.NewDecoder(docXML).Decode(&doc); err != nil {
return "", fmt.Errorf("failed to decode XML: %w", err)
}
var sb strings.Builder
for _, p := range doc.Body.P {
for _, r := range p.R {
sb.WriteString(r.T)
}
sb.WriteString("\n")
}
return sb.String(), nil
}
func main() {
text, err := extractDocxText("example.docx")
if err != nil {
panic(err)
}
fmt.Print(text)
}
⚠️ 注意事项：
- 上述代码仅提取
<t></t>标签中的文本，未处理富文本样式、页眉页脚、注释、表格嵌套等复杂结构；如需完整语义还原，建议使用成熟库如github.com/nguyenthenguyen/docx，它已封装 XML 解析、样式忽略、段落合并等逻辑。 - 对于
.doc（97–2003 二进制格式），Go 社区缺乏稳定、维护良好的原生解析器。可行替代路径包括：
• 调用系统命令（如antiword或catdoc工具）通过os/exec执行外部转换；
• 使用 LibreOffice CLI 无头模式转为.txt或.docx后再解析（适合服务端可控环境）；
• 强烈建议推动上游文档统一为.docx，规避.doc技术债务。
? 总结：
对 .docx，推荐采用 nguyenthenguyen/docx 库（简洁、专注、轻量），其核心思路正是解压 ZIP + 提取并清洗 document.xml 中的文本节点；对 .doc，应评估业务必要性，优先考虑格式迁移或外部工具桥接。切勿自行逆向解析 OLE 结构——既低效又易出错。
