如何使用 Go 语言解析 .docx 文件提取纯文本内容-Golang-PHP中文网

如何使用 Go 语言解析 .docx 文件提取纯文本内容

本文介绍在 go 中解析 office open xml 格式（.docx）文档并提取全部纯文本的实用方法，重点基于 zip 解压与 xml 解析，不依赖外部二进制或 com 组件。

本文介绍在 go 中解析 office open xml 格式（.docx）文档并提取全部纯文本的实用方法，重点基于 zip 解压与 xml 解析，不依赖外部二进制或 com 组件。

Microsoft Word 的 .docx 文件本质上是一个遵循 OOXML（Office Open XML）标准的 ZIP 归档包，内部包含多个 XML 文件，其中主体文本内容主要存储在 word/document.xml 中。与传统二进制 .doc 格式不同，.docx 可直接通过标准 Go 库（如 archive/zip 和 encoding/xml）进行解析，无需调用 Windows COM 或 LibreOffice 等外部服务。

以下是一个轻量、无依赖的完整示例，用于读取 .docx 并提取所有段落文本：

package main

import (
    "archive/zip"
    "encoding/xml"
    "fmt"
    "io"
    "log"
    "strings"
)

type Document struct {
    Body struct {
        Ps []Paragraph `xml:"body>p"`
    } `xml:"http://schemas.openxmlformats.org/wordprocessingml/2006/main body"`
}

type Paragraph struct {
    Runs []Run `xml:"r"`
    Text string `xml:",chardata"`
}

type Run struct {
    Text string `xml:"t"`
}

// extractTextFromDocx 从 .docx 文件中提取所有纯文本（忽略样式、注释、页眉页脚等）
func extractTextFromDocx(filename string) (string, error) {
    r, err := zip.OpenReader(filename)
    if err != nil {
        return "", fmt.Errorf("failed to open zip: %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 .docx")
    }
    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 texts []string
    for _, p := range doc.Body.Ps {
        if len(p.Runs) > 0 {
            for _, r := range p.Runs {
                if strings.TrimSpace(r.Text) != "" {
                    texts = append(texts, strings.TrimSpace(r.Text))
                }
            }
        } else if strings.TrimSpace(p.Text) != "" {
            texts = append(texts, strings.TrimSpace(p.Text))
        }
    }

    return strings.Join(texts, "\n"), nil
}

func main() {
    text, err := extractTextFromDocx("example.docx")
    if err != nil {
        log.Fatal(err)
    }
    fmt.Println(text)
}

✅ 注意事项与说明：

该方案仅支持 .docx（OOXML），不支持旧版二进制 .doc 格式；若需处理 .doc，建议先用 LibreOffice 命令行工具转换为 .docx，或集成 antiword 等 C 工具（需 CGO）。
示例未处理的深层嵌套、超链接、表格、页眉/页脚（位于 header.xml/footer.xml）、注释等复杂结构；生产环境推荐使用成熟库如 github.com/nguyenthenguyen/docx，它已封装 XML 路径解析、样式跳过、多部分合并等逻辑。
实际应用中应添加错误恢复（如 XML 解析失败时降级为正则提取 .*?）、编码兼容性（确保 UTF-8）、大文件流式处理（避免全量加载 XML 到内存）等增强措施。