### 如何用Python从Word文档中提取文字 要实现从 Word 文档中提取文本的功能，可以借助多种 Python 库来完成这一目标。以下是几种常用的方法及其对应的库。 #### 方法一：使用 `python-docx` 提取纯文本 `python-docx` 是一个广泛使用的库，用于处理 `.docx` 文件中的内容。通过该库可以从 Word 文档中读取并提取纯文本数据[^2]。 ```python from docx import Document def extract_text_from_docx(file_path): document = Document(file_path) full_text = [] for paragraph in document.paragraphs: full_text.append(paragraph.text) return '\n'.join(full_text) file_path = 'example.docx' text = extract_text_from_docx(file_path) print(text) ``` 上述代码展示了如何加载一个 `.docx` 文件，并将其所有段落的内容拼接成完整的字符串输出。 --- #### 方法二：利用 `Aspose.Words for Python` 进行高级操作 如果需要更复杂的文本提取功能或者支持更多文件格式（如 `.doc`），可以选择商业级解决方案——`Aspose.Words for Python`。它提供了丰富的 API 来解析和修改 Word 文档结构[^1]。 安装命令如下： ```bash pip install aspose-words ``` 下面是一个简单的例子： ```python import aspose.words as aw def extract_text_with_aspose(doc_file): doc = aw.Document(doc_file) text_extractor = aw.TextExtractor() text = text_extractor.get_text(doc) return text.strip() file_path = 'example.docx' extracted_text = extract_text_with_aspose(file_path) print(extracted_text) ``` 此方法不仅能够提取普通的段落文本，还可以进一步扩展到提取标题、列表项等内容[^3]。 --- #### 方法三：针对旧版 `.doc` 文件的兼容方案 对于较老版本的 Microsoft Word 文档（`.doc` 格式），推荐使用 `pywin32` 或者转换工具先将它们转存为现代标准的 `.docx` 格式后再继续后续流程。不过需要注意的是，在 Linux/MacOS 平台上可能无法直接运行基于 Windows COM 对象的操作。 示例脚本如下所示： ```python import win32com.client as wc def convert_and_extract_old_word(path_in, path_out='temp_converted.docx'): word_app = wc.Dispatch("Word.Application") doc = word_app.Documents.Open(path_in) doc.SaveAs(path_out, FileFormat=16) # 将 .doc 转换为 .docx (FileFormat 参数代表 DOCX 类型) doc.Close() word_app.Quit() from docx import Document converted_document = Document(path_out) paragraphs = [p.text for p in converted_document.paragraphs] return "\n".join(paragraphs) old_format_file = r'C:\path\to\your\document.doc' converted_content = convert_and_extract_old_word(old_format_file) print(converted_content) ``` 注意这种方法依赖于本地安装有 Microsoft Office 才能正常工作。 --- ### 总结 综上所述，当涉及到简单需求时可以直接选用开源免费的 `python-docx`；而对于更加复杂场景则建议尝试付费但功能强大的 `Aspose.Words for Python`。至于那些遗留下来的 `.doc` 文件，则可以通过特定技术手段先行升级至最新格式再做相应处理。