### 如何解析 DOCX 文档结构并提取红色文字 要实现从 `.docx` 文件中提取特定颜色的文字（如红色文字），可以通过 `python-docx` 库结合底层 XML 处理技术完成。以下是详细的解决方案： #### 使用 Python 和 python-docx 提取红色文字 `.docx` 文件本质上是一个 ZIP 压缩包，内部存储了多个 XML 文件描述文档的内容和样式。虽然 `python-docx` 并未提供直接按字体颜色筛选的功能，但可以通过访问其底层的 `_element` 属性获取原始 XML 数据。 以下代码展示了如何提取红色文字： ```python from docx import Document from docx.oxml.ns import qn from lxml import etree def extract_red_text(doc_path): document = Document(doc_path) red_texts = [] for paragraph in document.paragraphs: xml_str = paragraph._p.xml # 获取段落的XML表示形式 root = etree.fromstring(xml_str) for run in root.findall(".//{}".format(qn('w:r'))): # 查找所有的run节点 color_node = run.find(".//{}".format(qn('w:color'))) text_node = run.find(".//{}".format(qn('w:t'))) # 找到实际文本节点 if text_node is not None and (color_node is not None or 'val' in color_node.attrib): color_val = color_node.get(qn('w:val'), '').lower() # 判断颜色是否为红色（可能的颜色编码） if color_val in ['ff0000', 'red']: red_texts.append(text_node.text.strip()) return red_texts if __name__ == "__main__": file_path = r"E:\py_prj\test.docx" result = extract_red_text(file_path) print(result) # 输出所有红色文字列表 ``` 上述代码逻辑如下： 1. 遍历文档中的每一个段落。 2. 对于每个段落，将其转换为其对应的 XML 表达式。 3. 使用 XPath 查询查找 `<w:r>` 节点下的子节点 `<w:color>` 来判断该 Run 的颜色属性。 4. 如果颜色匹配指定值（如红颜色编码 `'FF0000'` 或 `'Red'`），则记录对应文本内容[^1]。 需要注意的是，在 Word 中定义颜色的方式多种多样，因此需要考虑更多可能性以覆盖不同的场景。 --- #### 关键点说明 - **Run 级别的处理**：Word 将同一段落内的不同格式化文本划分为若干 Runs。每一段连续相同样式的文本构成一个单独的 Run。 - **颜色检测机制**：由于 Word 支持主题颜色、RGB 编码等多种方式设置字体颜色，因此在实际应用中应扩展对这些情况的支持[^2]。 - **依赖库版本兼容性**：确保使用的 `lxml` 版本与当前环境一致；另外注意安装最新版 `python-docx` 可能带来额外功能改进[^3]。 --- #### 总结 尽管标准 API 不足以满足复杂需求，借助 XML 解析仍可灵活应对大多数自定义任务。此方案不仅限于提取红色文字，还可进一步拓展至其他特殊格式数据挖掘领域[^4]。