sunchenzheng Word 文档读取技能
核心能力
- 读取文档文字 — 提取 .docx 中的段落文本、表格内容
- 提取图片 — 将文档中的图片导出为独立文件
- 结构化摘要 — 生成文档内容大纲和关键信息提取
- 试卷评测 — 结合 math-exam-evaluator，识别数学试卷中的题目和学生答案
使用方式
# 基本读取
from docx import Document
doc = Document("C:\\path\\to\\file.docx")
for para in doc.paragraphs:
if para.text.strip():
print(para.text)
# 读取表格
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
print(cell.text, end="\t")
print()
# 提取图片
for rel in doc.part.rels.values():
if "image" in rel.target_ref:
img_data = rel.target_part.blob
img_name = rel.target_ref.split("/")[-1]
with open(f"output/{img_name}", "wb") as f:
f.write(img_data)
文档结构识别
# 识别标题层级
def extract_headings(doc):
headings = []
for para in doc.paragraphs:
if para.style.name.startswith("Heading"):
level = para.style.name.replace("Heading ", "")
headings.append({"level": level, "text": para.text})
return headings
常用属性参考
| 属性 | 说明 |
|---|---|
doc.paragraphs |
所有段落 |
doc.tables |
所有表格 |
doc.inline_shapes |
所有嵌入式图片 |
doc.part.rels |
文档关系（包含图片引用） |
图片导出路径
导出目录结构：
原文件目录/
├── 原文件名.docx
└── extracted_images/
├── image1.png
├── image2.jpg
└── ...
注意事项
- 只支持
.docx（Office Open XML），不支持.doc（旧版格式） .doc文件需先转换为.docx（可用 PowerShell + Word COM 自动化）- 文档中的公式（MathType/OMML）以纯文本形式提取
- 加密保护的文档无法读取（会报错）