如何用Python解析Word文档(.docx)中的XML数据

Python通过python-docx库或手动解压.docx ZIP包来解析其内部XML文件；前者用_element.xml获取段落等原始XML，后者用zipfile+etree/lxml读取document.xml等核心文件，并需正确处理命名空间。

Python本身不直接解析Word文档的底层XML，而是通过python-docx库操作.docx文件——因为.docx本质是ZIP压缩包，内部包含多个XML文件（如document.xml、styles.xml等）。若需访问原始XML数据，有两种主流方式：一是用python-docx间接获取XML片段；二是手动解压.docx并解析目标XML文件。

用python-docx提取段落/表格的XML结构

python-docx虽为高层接口，但每个元素（如Paragraph、Run）都提供_element属性，可直接访问底层lxml Element对象，进而读取或修改其XML。

• 安装依赖：pip install python-docx lxml
• 读取段落XML示例：

  from docx import Document
  <p>doc = Document("example.docx")
  p = doc.paragraphs[0]  # 获取第一个段落
  xml_str = p._element.xml  # 返回该段落的完整XML字符串（含命名空间）
  print(xml_str[:200])  # 查看前200字符
  

  登录后复制

• 注意：_element.xml返回的是带namespaces的原始XML，可能含w:前缀（如<p></p>），解析时需处理命名空间或用lxml的XPath配合{http://schemas.openxmlformats.org/wordprocessingml/2006/main}。

手动解压.docx并读取核心XML文件

.docx是ZIP格式，可用Python内置zipfile模块解压，再用xml.etree.ElementTree或lxml解析指定XML。

• 关键XML路径（在解压后目录中）：
  • word/document.xml：主文档内容（段落、文字、制表符等）
  • word/styles.xml：样式定义
  • word/numbering.xml：编号与项目符号规则
  • word/settings.xml：文档设置
• 示例：提取document.xml中的所有段落文本（忽略格式）：

  import zipfile
  import xml.etree.ElementTree as ET
  <p>with zipfile.ZipFile("example.docx") as docx:
  with docx.open("word/document.xml") as f:
  tree = ET.parse(f)
  root = tree.getroot()</p><h1>Word XML默认命名空间</h1><pre class="brush:php;toolbar:false;">    ns = {"w": "http://schemas.openxmlformats.org/wordprocessingml/2006/main"}
      for p in root.findall(".//w:p", ns):
          text = "".join(t.text for t in p.findall(".//w:t", ns) if t.text)
          print(text.strip())

  登录后复制

  <p></p>

  立即学习“Python免费学习笔记（深入）”；

  标签： word python 编码 中文乱码 ai 解压 word文档 常见问题 xml解析 标准库

  本文地址： https://www.fsgp.cn/p/baike/72864.html

  版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。