Python实现精准提取Word文档文本与表格的完整指南

在日常数据处理工作中，从Word文档里提取结构化内容——尤其是正文文本和表格数据——几乎是一项不可避免的需求。Python生态中虽然有许多选择（比如大家熟悉的python-docx），可一旦文档排版变得复杂，或者需要同时处理表格和正文时，Spire.Doc for Python就显得更加稳定，功能也更为全面。接下来我们将一步步演示如何提取Word文本（保存为TXT文件）以及如何自动导出表格数据。

一、准备工作：安装与授权

Spire.Doc for Python 是一个非常好用的Word操作库，无论是.doc还是.docx格式都能轻松处理。安装过程也很简单：

pip install spire.doc

默认情况下它以免费模式运行，不过当处理超过500个段落或25个表格时，会自动添加评估水印。处理小文档或进行测试时完全够用，如果要在生产环境部署，可以申请临时授权或直接购买商业许可。

二、提取全部文本并写入TXT文件

官方提供的 GetText() 方法原本用于将文本输出到控制台，但在实际工作中我们通常需要将其保存为文件。以下代码实现了读取Word全文，并将内容写入指定的 .txt 文件：

from spire.doc import *
from spire.doc.common import *

# 创建Document实例并加载Word文档
doc = Document()
doc.LoadFromFile("input.docx")

# 获取整个文档的纯文本内容
full_text = doc.GetText()

# 将文本写入txt文件
with open("output.txt", "w", encoding="utf-8") as file:
    file.write(full_text)

doc.Close()
print("文本提取完成，已保存至 output.txt")

代码要点说明：

• GetText() 会按阅读顺序提取段落、标题、页眉页脚等所有文本内容，而图片和图形等元素会被忽略。
• 写入时指定 utf-8 编码，可有效避免中文乱码问题。
• 操作完成后记得调用 doc.Close() 释放资源，防止内存泄漏。

三、精确提取并导出所有表格

Word文档中的表格通常包含关键数据，比如报表、清单等。Spire.Doc 提供了清晰的层级结构：文档 → 节(Section) → 表格(Table) → 行 → 单元格 → 段落。下面的代码会遍历每个节中的所有表格，将每个表格单独保存成一个 .txt 文件（使用制表符分隔，便于后续导入Excel）：

from spire.doc import *
from spire.doc.common import *
import os
# 创建输出文件夹
output_dir = "output/Tables"
os.makedirs(output_dir, exist_ok=True)
# 加载Word文档
doc = Document()
doc.LoadFromFile("Sample.docx")
# 遍历所有节
for section_idx in range(doc.Sections.Count):
    section = doc.Sections.get_Item(section_idx)
    tables = section.Tables
    for table_idx in range(tables.Count):
        table = tables.get_Item(table_idx)
        table_data = ""
        # 遍历表格所有行和单元格
        for row_idx in range(table.Rows.Count):
            row = table.Rows.get_Item(row_idx)
            for col_idx in range(row.Cells.Count):
                cell = row.Cells.get_Item(col_idx)
                # 收集单元格内所有段落文本
                cell_text = ""
                for para_idx in range(cell.Paragraphs.Count):
                    cell_text += cell.Paragraphs.get_Item(para_idx).Text + " "
                table_data += cell_text.strip()
                # 列之间用制表符分隔
                if col_idx < row.Cells.Count - 1:
                    table_data += "t"
            table_data += "n"   # 行结束
        # 保存当前表格数据
        output_path = f"{output_dir}/WordTable_{section_idx+1}_{table_idx+1}.txt"
        with open(output_path, "w", encoding="utf-8") as f:
            f.write(table_data)
        print(f"已保存：{output_path}")
doc.Close()

代码解析：

• 多层循环确保不遗漏任何表格（注意：Spire.Doc 中表格可能嵌套在单元格内，此示例只处理顶层表格，若遇到深层嵌套可改为递归方式处理）。
• 通过遍历单元格的 Paragraphs 集合获取内容，可以避免丢失换行或样式分隔信息。
• 输出文件名按“节索引_表索引”命名，清晰且便于追溯。

四、整合应用与注意事项

1. 性能与内存

处理大文档（数百页）时应按需操作：如果只需要表格，就不要提取文本；反之亦然。doc.Close() 必须执行，否则可能导致句柄泄漏。

2. 表格合并单元格的处理

表格中存在跨行或跨列合并的情况时，上述代码仍能正常提取每个单元格的文本，但输出的纯文本结构会丢失合并关系。若希望保留行列结构，可以借助 Cell.ColumnSpan 和 RowSpan 属性来构建标记矩阵。

3. 免费版限制

未经授权的 Spire.Doc 最多只能处理10页文档中的前3页（或500个段落）。建议先用小文档验证逻辑，生产环境中要么购买授权，要么采用分页读取策略来绕过限制。

五、总结

借助 Spire.Doc for Python，仅需几十行代码即可完成Word文本与表格的批量提取。上面提供的两个核心函数——文本写入TXT和表格逐表导出——可以直接嵌入到自己的数据处理流水线中。再结合Python的文件操作以及后续分析（例如使用pandas读取表格txt），构建一个文档解析自动化系统并不困难。

遇到复杂文档布局或表格合并单元格等特殊需求时，Spire.Doc 还提供了 ExportToHtml、Sa veToFile 等丰富接口，值得进一步探索。在实际项目中灵活运用这些功能，文档处理将变得更加省心高效。