用 Python 从 Word 文档中提取文本（综合指南）

摘要：从 Word 文档中提取文本已成为各种目的的必不可少的任务。无论您是需要分析数据、重新调整内容的用途还是将文本合并到其他应用程序中，了解如何有效地从 Word 文档中提取文本都可以节省您的时间和精力

从 Word 文档中提取文本已成为各种目的的必不可少的任务。无论您是需要分析数据、重新调整内容的用途还是将文本合并到其他应用程序中，了解如何有效地从 Word 文档中提取文本都可以节省您的时间和精力

要使用 Python 从 Word Doc 或 Docx 文档中提取文本，我们可以使用 Spire.Doc for Python 库。

Spire.Doc for Python 是一个功能丰富且易于使用的库，用于在 Python 应用程序中创建、读取、编辑和转换 Word 文件。使用此库，您可以使用多种 Word 格式，包括 Doc、Docx、Docm、Dot、Dotx、Dotm 等。此外，您还可以将 Word 文档渲染为其他类型的文件格式，例如 PDF、RTF、HTML、文本、图像、SVG、ODT、PostScript、PCL 和 XPS。

您可以通过在终端中运行以下命令从 PyPI 安装 Spire.Doc for Python：

pip install Spire.Doc

有关安装的更多详细信息，您可以查看此官方文档：如何在 VS Code 中为 Python 安装 Spire.Doc。

当您需要进一步处理文档中包含的文本信息时，从 Word 文档中提取文本会很有帮助。使用 Spire.Doc for Python，您可以使用 document.GetText 函数轻松获取 Word 文档的文本。

下面是一个简单的示例，演示如何使用 Python 和 Spire.Doc for Python 从 Word 文档中提取文本：

from spire.doc import *from spire.doc.common import *# Create a Document objectdocument = Document# Load a Word documentdocument.LoadFromFile("Sample.docx")# Extract the text of the documentdocument_text = document.GetText# Write the extracted text into a text filewith open("Output/DocumentText.txt", "w", encoding="utf-8") as file: file.write(document_text)document.Close

Word 文档可能包含不同的部分，每个部分都包含特定内容。Spire.Doc for Python 使您能够使用 Document.Sections[index] 属性访问 Word 文档中的特定部分。访问后，可以通过循环访问节中的段落，然后使用 Paragraph.Text 属性获取每个段落的文本，从节中提取文本。

下面是一个简单的示例，演示如何使用 Python 和 Spire.Doc for Python 从 Word 文档的特定部分中提取文本：

from spire.doc import *from spire.doc.common import *# Create a Document objectdocument = Document# Load a Word documentdocument.LoadFromFile("Sample.docx")# Get the first section in the documentsection = document.Sections[0]# Create a list to store the extracted textsection_text = # Iterate through the paragraphs in the sectionfor i in range(section.Paragraphs.Count): paragraph = section.Paragraphs[i] # Extract the text of each paragraph and append it to the list section_text.append(paragraph.Text)# Write the extracted text into a text filewith open("Output/SectionText.txt", "w", encoding="utf-8") as file: file.write("\n".join(section_text))document.Close

若要从 Word 文档中的特定段落中提取文本，可以使用 Section.Paragraphs[index] 属性访问该段落，然后使用 Paragraph.Text 属性获取该段落的文本。

下面是一个简单的示例，演示如何使用 Python 和 Spire.Doc for Python 从 Word 文档中的特定段落中提取文本：

from spire.doc import *from spire.doc.common import *# Create a Document objectdocument = Document# Load a Word documentdocument.LoadFromFile("Sample.docx")# Get the first section in the documentsection = document.Sections[0]# Get the second paragraph in the sectionparagraph = section.Paragraphs[1]# Extract the text of the paragraphpara_text = paragraph.Text# Write the extracted text into a text filewith open("Output/ParagraphText.txt", "w", encoding="utf-8") as file: file.write(para_text)document.Close

从技术上讲，Word 文档中没有“页面”的概念，因为它们基本上是作为流文档设计的。为了便于页面级操作，Spire.Doc for Python 提供了 FixedLayoutDocument 类，该类允许您将 Word 文档的内容组织到页面中。通过使用此类及其属性，您可以毫不费力地获取 Word 文档中特定页面的文本。

下面是一个简单的示例，演示如何使用 Python 和 Spire.Doc for Python 从 Word 文档中的特定页面中提取文本：

from spire.doc import *from spire.doc.common import *# Create a Document objectdocument = Document# Load a Word documentdocument.LoadFromFile("Sample.docx")# Create an object of the FixedLayoutDocument class and pass the Document object to the class constructor as a parameterlayoutDoc = FixedLayoutDocument(document)# Access the first page of the documentlayoutPage = layoutDoc.Pages[0]# Get the text of the first pagepage_text = layoutPage.Text# Write the extracted text into a text filewith open("Output/PageText.txt", "w", encoding="utf-8") as file: file.write(page_text)document.Close

从 Word 文档中的一行中提取文本允许在行级别对文本进行详细分析或操作。

下面是一个简单的示例，演示如何使用 Python 和 Spire.Doc for Python 从 Word 文档中的特定行中提取文本：

from spire.doc import *from spire.doc.common import *# Create a Document objectdocument = Document# Load a Word documentdocument.LoadFromFile("Sample.docx")# Create an object of the FixedLayoutDocument class and pass the Document object to the class constructor as a parameter# This step is to transfer the document into a fixed layout documentlayoutDoc = FixedLayoutDocument(document)# Access the first page of the documentlayoutPage = layoutDoc.Pages[0]# Get the first line of the first column on the pageline = layoutPage.Columns[0].Lines[0]# Extract the text of the first lineline_text = line.Text# Write the extracted text into a text filewith open("Output/LineText.txt", "w", encoding="utf-8") as file: file.write(line_text)document.Close

Word 文档通常包含以表格格式组织数据的表格。从表中提取数据允许对 Word 文档中的表格信息进行结构化数据提取、转换或分析。

下面是一个简单的示例，演示如何使用 Python 和 Spire.Doc for Python 从 Word 文档的特定表中提取文本：

from spire.doc import *from spire.doc.common import *# Create a Document objectdocument = Document# Load a Word documentdocument.LoadFromFile("Table.docx")# Get the first section in the documentsection = document.Sections[0]# Get the first table in the sectiontable = section.Tables[0]# Create a list to store the extracted table datatable_data = # Iterate through the rows in the tablefor i in range(table.Rows.Count): row = table.Rows[i] # Iterate through the cells in each row for j in range(row.Cells.Count): cell = row.Cells[j] # Iterate through the paragraphs in each cell for k in range(cell.Paragraphs.Count): # Extract data from each paragraph paragraph = cell.Paragraphs[k] text = paragraph.Text # Append the data to the list table_data.append(text + "\t") table_data.append("\n")# Write the extracted data into a text filewith open("Output/TableText.txt", "w", encoding = "utf-8") as text_file: for data in table_data: text_file.write(data)document.Close

页眉和页脚是通常位于 Word 文档中每页顶部和底部的部分。它们通常包含文档标题或其他补充内容等信息。

下面是一个简单的示例，演示如何使用 Python 和 Spire.Doc for Python 从 Word 文档的页眉和页脚中提取文本：

from spire.doc import *from spire.doc.common import *# Create a Document objectdocument = Document# Load a Word documentdocument.LoadFromFile("HeaderAndFooter.docx")# Get the first section in the documentsection = document.Sections[0]# Get the header of the sectionheader = section.HeadersFooters.Header# Get the footer of the sectionfooter = section.HeadersFooters.Footer# Create a list to store the extracted header and footer textheader_footer_text = header_footer_text.append("Header Text:")# Get the text of the headerfor i in range(header.Paragraphs.Count): headerPara = header.Paragraphs[i] header_footer_text.append(headerPara.Text)header_footer_text.append("Footer Text:")# Get the text of the footerfor i in range(footer.Paragraphs.Count): footerPara = footer.Paragraphs[i] header_footer_text.append(footerPara.Text)# Save the extracted text to a text filewith open("Output/HeaderFooterText.txt", "w", encoding="utf-8") as file: file.write("\n".join(header_footer_text)) document.Close

本文演示了如何使用 Python 从 Word 文档中提取文本。此外，它还解释了如何使用 Python 从 Word 中的各种特定元素中提取文本，例如部分、段落、页面、行、表格、页眉和页脚。我们希望它对您有所帮助。