如何在 Python 中按原始顺序提取 Word 文档的文本、表格与图片地址

陌伟同学_5110

陌伟同学_5110

2026-11-20

834人浏览

原创

如何在 Python 中按原始顺序提取 Word 文档的文本、表格与图片地址

本文介绍如何使用 python-docx 深度解析 word(.docx)文档的底层 xml 结构,按实际排版顺序同步提取段落文本、表格内容及内嵌图片的相对路径(或关系 id),解决官方 api 无法统一遍历图文混排元素的痛点。

本文介绍如何使用 python-docx 深度解析 word(.docx)文档的底层 xml 结构,按实际排版顺序同步提取段落文本、表格内容及内嵌图片的相对路径(或关系 id),解决官方 api 无法统一遍历图文混排元素的痛点。

Word 文档(.docx)本质上是一个 ZIP 压缩包,内部包含 word/document.xml(主内容)、word/media/(图片文件)以及 word/_rels/document.xml.rels(资源关系映射)。python-docx 的高层 API(如 Document.paragraphs 或 Document.tables)仅暴露逻辑结构,不保留图文混合的真实顺序,且完全不暴露图像节点——因为图像在 OpenXML 中并非独立“对象”,而是嵌套在 或 标签内的复杂图形容器。

要实现严格保序提取(即:第1段文字 → 第1张图 → 第2段文字 → 表格 → 第2张图…),必须绕过高层接口,直接遍历底层 XML 元素树:

from docx import Document
from docx.oxml.ns import qn
from docx.oxml import parse_xml

def extract_in_order(doc_path):
    doc = Document(doc_path)
    body = doc.element.body

    result = []
    for elem in body.iter():
        # 段落:提取纯文本(忽略样式、注释等)
        if elem.tag == qn("w:p"):
            text = "".join(run.text for p in elem.iter() for run in p.iter() if qn("w:t") == run.tag)
            if text.strip():
                result.append({"type": "paragraph", "content": text.strip()})

        # 表格
        elif elem.tag == qn("w:tbl"):
            table = doc.tables[len([t for t in result if t["type"] == "table"])]
            content = [[cell.text.strip() for cell in row.cells] for row in table.rows]
            result.append({"type": "table", "content": content})

        # 图像:定位 <drawing> 或 <pict>,解析其 relId 获取图片路径
        elif elem.tag in (qn("w:drawing"), qn("w:pict")):
            # 查找嵌套的 blip:embed 或 v:imagedata
            blip = elem.find(f".//{qn('a:blip')}")
            imagedata = elem.find(f".//{qn('v:imagedata')}")

            rel_id = None
            if blip is not None:
                rel_id = blip.get(qn("r:embed"))
            elif imagedata is not None:
                rel_id = imagedata.get(qn("r:id"))

            if rel_id:
                try:
                    image_part = doc.part.related_parts[rel_id]
                    # 获取媒体文件名(如 'image1.png'),注意:此为相对路径,非绝对磁盘路径
                    image_name = image_part.partname.split("/")[-1]
                    result.append({"type": "image", "rel_id": rel_id, "filename": image_name})
                except KeyError:
                    result.append({"type": "image", "rel_id": rel_id, "filename": None, "warning": "Image part not found"})

    return result

# 使用示例
items = extract_in_order("sample.docx")
for item in items:
    print(f"[{item['type']}] {item.get('filename') or item.get('content', '')[:50]}...")</pict></drawing>

⚠️ 关键注意事项:

在清理重构之前使用 Vulture 查找未使用的 Python 代码
在清理重构之前使用 Vulture 查找未使用的 Python 代码

在重构之前对Python代码库运行死代码检测,以便智能体能够标记未使用的函数、类、导入和变量,而不是盲目删除。

下载
  • doc.element.body.iter() 遍历的是XML 节点层级,非渲染顺序;但对标准 .docx 来说,它与用户所见的线性流基本一致(除非含复杂分栏、文本框或浮动对象);
  • 图片本身不存储于 XML,只存引用关系(relId),真实二进制文件位于 word/media/ 子目录,可通过 doc.part.related_parts[rel_id].blob 读取原始字节;
  • 多见于旧版兼容图形(如 Word 97–2003), 是现代默认格式(含 a:graphic);
  • 若需导出图片到本地,建议用 open(f"output/{item['filename']}", "wb").write(image_part.blob);
  • 此方法不支持 .doc(二进制旧格式),仅适用于 .docx(OpenXML)。

综上,虽然 python-docx 不提供“开箱即用”的图文混排遍历器,但借助其暴露的底层 XML 接口,配合 OpenXML 规范知识,即可精准还原文档原始内容流——这是构建文档结构分析、AI 内容抽取或无障碍转换工具的关键基础能力。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

word python

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5604

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1909

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34257

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4007

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4007

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1303

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.10

636

4

python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3123

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程