Word 文档读取器

使用 Python 解析 Word 文档，提取文本内容和结构化信息。

支持的功能

• 文档文本提取 - 提取段落、标题、页眉页脚内容
• 表格解析 - 读取表格数据并转换为结构化格式
• 图片处理 - 提取文档中的图片信息
• 元数据获取 - 读取文档属性（作者、标题、创建时间等）
• 批量处理 - 支持处理多个文档

用法

基本文本提取

python3 {baseDir}/scripts/read_word.py <文件路径>

指定输出格式

# JSON 输出
python3 {baseDir}/scripts/read_word.py <文件路径> --format json

# 纯文本输出
python3 {baseDir}/scripts/read_word.py <文件路径> --format text

# Markdown 格式
python3 {baseDir}/scripts/read_word.py <文件路径> --format markdown

提取特定内容

# 只提取文本
python3 {baseDir}/scripts/read_word.py <文件路径> --extract text

# 提取表格数据
python3 {baseDir}/scripts/read_word.py <文件路径> --extract tables

# 获取文档元数据
python3 {baseDir}/scripts/read_word.py <文件路径> --extract metadata

批量处理

# 处理目录下所有 .docx 文件
python3 {baseDir}/scripts/read_word.py <目录路径> --batch

参数说明

输出格式

JSON 格式

{
  "metadata": {
    "title": "文档标题",
    "author": "作者姓名",
    "created": "2024-01-01T10:00:00",
    "modified": "2024-01-01T12:00:00"
  },
  "text": "文档全文内容...",
  "tables": [
    [
      ["表头1", "表头2"],
      ["行1列1", "行1列2"],
      ["行2列1", "行2列2"]
    ]
  ],
  "images": [
    {
      "filename": "image1.png",
      "description": "图片描述",
      "size": "1024x768"
    }
  ]
}

Markdown 格式

# 文档标题

**作者**：作者姓名  
**创建时间**：2024-01-01 10:00:00

## 正文内容

这是文档的正文内容...

### 表格示例

| 表头1 | 表头2 |
|-------|-------|
| 行1列1 | 行1列2 |
| 行2列1 | 行2列2 |

![图片描述](image1.png)

## 图片列表

1. **image1.png** (1024x768) - 图片描述

错误处理

• 文件不存在：显示错误信息并退出
• 格式不支持：提示支持的文件类型
• 权限问题：提示文件访问权限
• 编码问题：尝试自动检测编码

示例场景

1. 查看项目文档

python3 {baseDir}/scripts/read_word.py 项目需求.docx --format markdown

2. 提取会议记录

python3 {baseDir}/scripts/read_word.py 会议记录.docx --extract text

3. 批量处理文档

python3 {baseDir}/scripts/read_word.py ./文档目录 --batch --format json --output results.json

注意事项

• 支持 .docx 格式（Office 2007+）
• .doc 格式需要额外依赖（如 antiword）
• 大文档处理可能需要较长时间
• 图片提取仅获取元数据，不包含实际图片数据
• 表格格式可能需要手动调整

故障排除

常见问题

1. ModuleNotFoundError: 确保已安装 python-docx
2. PermissionError: 检查文件读取权限
3. UnicodeDecodeError: 尝试不同的编码格式

安装依赖

pip3 install python-docx

对于 .doc 格式支持：

# Ubuntu/Debian
sudo apt-get install antiword

# macOS
brew install antiword

高级功能

自定义样式处理

脚本会自动处理以下文档元素：

• 标题级别（H1-H6）
• 段落样式
• 列表项目
• 页眉页脚
• 文档属性

性能优化

• 大文件流式处理
• 内存使用优化
• 进度显示（批量模式）