
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:
-
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!











