如何从Word DOCX的XML结构中提取数据

DOCX文件本质是ZIP压缩包，需解压后解析word/document.xml中的w:t节点提取纯文本，注意命名空间、编码兼容性及干扰结构过滤。

DOCX 文件本质是 ZIP 压缩包，内部包含多个 XML 文件；直接解析 document.xml 是提取正文数据最可靠的方式，而非用 Office 自动化或第三方库“黑盒”读取。

定位并解压 document.xml

DOCX 文件不是二进制文档，而是符合 OPC（Open Packaging Conventions）的 ZIP 包。你需要先解压，再读取核心内容文件：

• 重命名 .docx 为 .zip，手动解压，或用命令行：

  unzip report.docx -d docx_unzipped

• 正文 XML 固定位于 word/document.xml（注意路径大小写敏感）
• 不要依赖 document2.xml 或 header1.xml——那些是页眉/脚注/修订等辅助内容，非主文本流
• 若遇到加密或受保护文档（如启用“限制编辑”），document.xml 可能被移除或替换为占位符，此时需先检查 _rels/.rels 和 word/_rels/document.xml.rels 是否存在有效关系引用

解析 w:t 文本节点而非整段 w:p

Word 的 XML 使用 w: 命名空间，段落（w:p）内嵌套运行（w:r），真正文字在 w:t 中。直接取 w:p 的 textContent 会混入换行符、空格、制表符甚至隐藏字符（如 ）。

• 用支持命名空间的解析器（如 Python 的 xml.etree.ElementTree 需注册 {http://schemas.openxmlformats.org/wordprocessingml/2006/main} 前缀）
• 只提取 w:t 元素的 .text

  

  属性值，跳过 w:tab、w:br、w:cr 等控制节点
• w:t 可能为空（），需过滤 None 或空字符串
• 示例片段：

  Hello world

  对应文本是 "Hello world"，中间空格来自 xml:space="preserve" 属性

处理常见干扰结构：超链接、内嵌字段、样式标记

document.xml 中的文字可能被包裹在超链接（w:hyperlink）、域代码（w:fldChar + w:instrText）或带格式的 w:rPr 下，但这些不影响纯文本提取逻辑：

• 超链接文本仍在 w:t 内，无需特殊处理；忽略 w:hyperlink 父节点即可
• 域字段（如页码、日期、TOC 条目）通常由 w:fldChar w:fldCharType="begin" + w:instrText + w:fldChar w:fldCharType="end" 构成，其中 w:instrText 不是用户可见文本，应跳过
• w:rPr（运行属性）只定义加粗/颜色/字体等，不携带文本，可安全忽略
• 若需保留段落结构（如区分标题与正文），应基于 w:pPr/w:pStyle 中的 val 属性判断样式名（如 "Heading1"），而非依赖字体大小或加粗

编码与特殊字符：别硬解 utf-8 就完事

XML 声明中指定的编码（如 ）不一定被严格遵守；Word 生成的 DOCX 常含 Windows-1252 编码的遗留字符（如弯引号、破折号），或直接用 Unicode 字符实体（“）。

• 用 xml.etree.ElementTree.parse()（Python）或 DOMParser（JS）解析，它们自动处理声明编码和实体解码
• 避免用 open(..., encoding="utf-8") 直接读取后手动解析字符串——会因 BOM、混合编码失败
• 遇到 UnicodeDecodeError，先检查文件是否被其他程序（如 Word Online）保存为非标准 ZIP 格式（如含非 ASCII 文件名未按 UTF-8 编码），此时需用 zipfile.ZipFile 的 strict_timestamps=False 或降级到 bytes 模式读取

最易被忽略的是：不同 Word 版本生成的 document.xml 可能含扩展命名空间（如 w14:, w15:），但只要不解析其内容，标准 w: 节点结构始终稳定；一旦开始依赖 w:bookmarkStart 或 w:commentRangeStart 等高级结构，就必须校验目标 DOCX 的 [Content_Types].xml 是否声明了对应 schema。