Python库：docx2txt读取word（.docx）文件-马育民老师

# 介绍

- 提取 .docx 文档的 **纯文本**（正文、标题、表格、页眉、页脚、超链接）
- 提取文档中的 **图片** 并保存到指定目录
- 纯Python实现，无需安装Microsoft Office或LibreOffice
- 可通过 **命令行** 或 **Python代码** 调用

### 适用场景

- 快速批量提取 Word 文档文本用于 NLP 预处理
- 文档内容检索、文本分析、数据清洗
- 自动化办公流程（如合同/报告文本提取）
- 轻量级文档转换，无需依赖大型办公软件

# 安装

### pip 安装
```bash
pip install docx2txt
```

### poetry 虚拟环境安装

```
poetry add docx2txt
```

### conda 安装
```
conda install conda-forge::docx2txt
```

# 使用方法
### 1. 命令行使用
```bash
# 仅提取文本（输出到控制台）
docx2txt input.docx

# 提取文本并保存到文件
docx2txt input.docx output.txt

# 提取文本 + 图片（图片保存到 ./images 目录）
docx2txt -i ./images input.docx
```

### 2. Python 代码调用
```python
import docx2txt

# 1. 仅提取文本
text = docx2txt.process("example.docx")
print(text)

# 2. 提取文本 + 图片（图片保存到指定目录）
# 目录不存在会自动创建
text_with_images = docx2txt.process("example.docx", image_dir="./extracted_images")
```

### 3. 与 LangChain 集成（文档加载）
```python
from langchain_community.document_loaders import Docx2txtLoader

loader = Docx2txtLoader("example.docx")
documents = loader.load()  # 返回 Document 对象列表
```

# 与其他工具对比
| 工具 | 特点 | 依赖 | 适用场景 |
|---|---|---|---|
| **docx2txt** | 轻量、纯Python、文本+图片 | 无 | 快速文本提取 |
| python-docx | 功能完整、可读写docx | 无 | 复杂文档编辑/生成 |
| mammoth | docx→HTML、保留格式 | 无 | 网页展示、格式保留 |
| unstructured | 多格式、结构化解析 | 较多 | 复杂NLP流水线 |

原文出处：http://www.malaoshi.top/show_1GW2rJffHnPm.html