Word Reader
读取 Word 文档（.docx 和 .doc 格式）并提取文本内容。支持文档解析、表格提取、图片处理等功能。使用当用户需要分析 Word 文档内容、提取文本信息或批量处理文档时。
New
Join 0+ developers using this skill
skill
Data & Analytics
beginner
AI Skill Market Insights
Real data. Real impact.
Popularity
Rising
Emerging
Active Users
0+
Developers
Time Saved
2+ hrs
Per week
Source
GitHub
Open source
Be Part of the 0+ Developer Community
Skills give you superpowers. Install in 30 seconds.
Word 文档读取器
使用 Python 解析 Word 文档，提取文本内容和结构化信息。
支持的功能
- 文档文本提取 - 提取段落、标题、页眉页脚内容
- 表格解析 - 读取表格数据并转换为结构化格式
- 图片处理 - 提取文档中的图片信息
- 元数据获取 - 读取文档属性（作者、标题、创建时间等）
- 批量处理 - 支持处理多个文档
用法
基本文本提取
python3 {baseDir}/scripts/read_word.py <文件路径>
指定输出格式
# JSON 输出 python3 {baseDir}/scripts/read_word.py <文件路径> --format json纯文本输出
python3 {baseDir}/scripts/read_word.py <文件路径> --format text
Markdown 格式
python3 {baseDir}/scripts/read_word.py <文件路径> --format markdown
提取特定内容
# 只提取文本 python3 {baseDir}/scripts/read_word.py <文件路径> --extract text提取表格数据
python3 {baseDir}/scripts/read_word.py <文件路径> --extract tables
获取文档元数据
python3 {baseDir}/scripts/read_word.py <文件路径> --extract metadata
批量处理
# 处理目录下所有 .docx 文件 python3 {baseDir}/scripts/read_word.py <目录路径> --batch
参数说明
| 参数 | 说明 | 默认值 |
|---|---|---|
| 输出格式（json/text/markdown） | text |
| 提取内容类型（text/tables/images/metadata/all） | all |
| 批量处理模式 | false |
| 输出文件路径 | stdout |
| 文本编码（utf-8/gb2312） | utf-8 |
输出格式
JSON 格式
{ "metadata": { "title": "文档标题", "author": "作者姓名", "created": "2024-01-01T10:00:00", "modified": "2024-01-01T12:00:00" }, "text": "文档全文内容...", "tables": [ [ ["表头1", "表头2"], ["行1列1", "行1列2"], ["行2列1", "行2列2"] ] ], "images": [ { "filename": "image1.png", "description": "图片描述", "size": "1024x768" } ] }
Markdown 格式
# 文档标题作者：作者姓名
创建时间：2024-01-01 10:00:00正文内容
这是文档的正文内容...
表格示例
表头1 表头2 行1列1 行1列2 行2列1 行2列2
图片列表
image1.png (1024x768) - 图片描述
错误处理
- 文件不存在：显示错误信息并退出
- 格式不支持：提示支持的文件类型
- 权限问题：提示文件访问权限
- 编码问题：尝试自动检测编码
示例场景
1. 查看项目文档
python3 {baseDir}/scripts/read_word.py 项目需求.docx --format markdown
2. 提取会议记录
python3 {baseDir}/scripts/read_word.py 会议记录.docx --extract text
3. 批量处理文档
python3 {baseDir}/scripts/read_word.py ./文档目录 --batch --format json --output results.json
注意事项
- 支持 .docx 格式（Office 2007+）
- .doc 格式需要额外依赖（如 antiword）
- 大文档处理可能需要较长时间
- 图片提取仅获取元数据，不包含实际图片数据
- 表格格式可能需要手动调整
故障排除
常见问题
- ModuleNotFoundError: 确保已安装 python-docx
- PermissionError: 检查文件读取权限
- UnicodeDecodeError: 尝试不同的编码格式
安装依赖
pip3 install python-docx
对于 .doc 格式支持：
# Ubuntu/Debian sudo apt-get install antiwordmacOS
brew install antiword
高级功能
自定义样式处理
脚本会自动处理以下文档元素：
- 标题级别（H1-H6）
- 段落样式
- 列表项目
- 页眉页脚
- 文档属性
性能优化
- 大文件流式处理
- 内存使用优化
- 进度显示（批量模式）
