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

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

# 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

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）

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

原文出处：/show_1GW2rJffHnPm.html