LangChain教程：Docx2txtLoader读取word（.docx）文件 作者：马育民 • 2026-02-28 09:36 • 阅读：10013 # 介绍 基于 `docx2txt` 库封装的 Word 文件加载器，继承自 LangChain `BaseLoader`，输出标准化 `Document` 对象； 提取 `.docx` 文件中的纯文本内容（忽略图片、表格格式，仅保留文本和段落分隔）； ### 优势 轻量、速度快、依赖少（仅需 `docx2txt` 库）； ### ⚠️ 局限 1. 仅支持 .docx 格式，不支持 .doc 旧格式； 2. 不保留表格、图片、公式等非文本内容（表格会转为纯文本分行显示）； 3. 元数据仅包含文件路径，无页码、段落等详细信息。 ### 适用场景 - 快速提取 Word 文档纯文本（如报告、合同、笔记）； - 对格式无要求的 Word 文档问答/总结； - 批量处理大量简单 Word 文档（如企业规章制度、员工手册）。 ### 不适用场景 - 需要保留表格结构、图片描述的复杂 Word 文档； - 需提取页码、字体样式等格式信息的场景（建议用 `UnstructuredWordDocumentLoader`）； - 处理 .doc 旧格式文件（需先转换为 .docx）。 # 安装 ### pip 安装 ```bash pip install docx2txt ``` ### poetry 虚拟环境安装 ``` poetry add docx2txt ``` # 使用 ### 创建对象 ``` Docx2txtLoader(file_path=word文件路径) ``` **关键参数**： - `file_path`（必填）：.docx 文件的路径（绝对路径/相对路径，如 `"企业报告.docx"`）； ### load()：一次性加载小文件 同步加载整个 `.docx` 文件的纯文本内容 **返回值：** `List[Document]`（默认1个 `Document`）。 >**提示：**搭配 `DirectoryLoader` 使用时，会有多个 `Document` **使用场景**： - 小文件（几KB~几十KB，如短篇企业报告、规章制度）； - 快速验证加载效果、提取纯文本； - 无需分批处理的场景。 **特点**： - 最简单、最常用，开箱即用； - 返回的 Document 包含：`page_content`（全部纯文本）、`metadata`（仅文件路径）。 ### 例子 ``` from langchain_community.document_loaders import Docx2txtLoader # 1. 初始化加载器（指定文件路径+编码） loader = Docx2txtLoader( file_path="../../企业报告（短）.docx", # 必传：Word文件路径 ) # 2. 加载文件（核心通用方法） # 一次性加载（小文件） docs = loader.load() print("docs类型：", type(docs)) print("docs长度：", len(docs)) print("元数据：", docs[0].metadata) # 元数据（仅包含文件路径） print("-"*50) print("文本内容：", docs[0].page_content) # 提取的纯文本 ``` 执行结果： ``` docs类型： <class 'list'> docs长度： 1 元数据： {'source': '../../企业报告（短）.docx'} ``` # 加载大文件 ### lazy_load()：分批加载大文件 返回生成器，分批加载文件内容（原生默认仅1批，仍返回1个 `Document` ；需结合拆分逻辑才会多批）。 **使用场景**： - 大体积 .docx 文件（如几十MB、万字以上报告）； - 内存敏感场景（如低配服务器）； - 需逐批处理文本的场景（如加载一批、拆分一批）。 **特点**： - 内存友好，避免一次性加载大文件导致溢出； - 生成器遍历方式：`for doc in loader.lazy_load():`。 ### 例子 ``` from langchain_community.document_loaders import Docx2txtLoader # 1. 初始化加载器（指定文件路径+编码） loader = Docx2txtLoader( file_path="../../企业报告（短）.docx", # 必传：Word文件路径 ) # 2. 加载文件（核心通用方法） # 方式2：分批加载（大文件，返回生成器） docs = loader.lazy_load() print("docs类型：", type(docs)) ``` ##### 查看结果方式一 ``` # 3. 查看结果方式一 for doc in docs: print("-----元数据：", doc.metadata) # 元数据（仅包含文件路径） print("文本内容：", doc.page_content) # 提取的纯文本 ``` ##### 查看结果方式二 ``` # 3. 查看结果方式二 # 获取唯一的 Document 对象 doc = next(docs) print("-----元数据：", doc.metadata) # 元数据（仅包含文件路径） print("文本内容：", doc.page_content) # 提取的纯文本 ``` ##### 执行结果 ``` docs类型： <class 'list_iterator'> -----元数据： {'source': '../../企业报告（短）.docx'} 下面是文件内容：略 ``` # 方法选择 | 场景 | 首选方法组合 | 核心目的 | |-------------------------------|---------------------------------------|------------------------------| | 小文件快速加载 | `__init__()` + `load()` | 简单提取纯文本 | | 大文件内存友好加载 | `__init__()` + `lazy_load()` | 分批加载，避免溢出 | | RAG 知识库构建（长文本）| `__init__()` + `load()` + 文本分割器 | 拆分文本，适配大模型 | | 生产环境加载 | 上述组合 + 异常处理 | 保证程序健壮性 | # 注意 1. `Docx2txtLoader` 本身 **无内置拆分方法**，生成多个 Document 必须结合文本分割器； 2. `lazy_load()` 原生仅返回1批（1个 Document），需自定义扩展才会多批； 3. 所有方法均继承自 `BaseLoader`，和其他加载器（如 CSVLoader）用法完全统一，无需额外学习。 # 与其他 Word 加载器对比 | 加载器名称 | 核心差异 | 格式保留 | 依赖复杂度 | 速度 | |-------------------------------------|---------------------------|----------|------------|------| | **Docx2txtLoader** | 仅提取纯文本 | ❌ 无 | 低（仅docx2txt） | 快 | | UnstructuredWordDocumentLoader | 保留基础段落/表格结构 | ✅ 基础 | 中（需unstructured） | 中 | | PyMuPDFLoader（转换为PDF后加载）| 保留更多格式（需转PDF）| ✅ 较多 | 中（需PyMuPDF） | 中 | # 常见问题 | 问题 | 解决方案 | |---------------------|--------------------------------------------------------------------------| | 提取不到文本 | 确认文件是 .docx 格式（.doc 需转换），且文件未加密/损坏 | | 大文件内存溢出 | 使用 `lazy_load()` 分批加载，而非 `load()` 一次性加载 | | 需提取表格内容 | 先用 `Docx2txtLoader` 提取文本，再用大模型解析表格文本；或换用 `UnstructuredWordDocumentLoader` | # 总结 1. **核心三板斧**：`__init__()`（配置） + `load()`（小文件） + `lazy_load()`（大文件）是 `Docx2txtLoader` 的基础，覆盖80%场景； 2. **进阶必备**：结合文本分割器拆分文本，是 RAG 场景的标配； 3. **生产环境**：补充异常处理，避免路径、权限、格式问题导致加载失败； 4. **核心特点**：所有方法均轻量、无冗余，聚焦「快速提取 Word 纯文本」的核心目标。 原文出处：http://www.malaoshi.top/show_1GW2rOkMiFOk.html