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
- 仅支持 .docx 格式，不支持 .doc 旧格式；
- 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）；
- 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
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
Docx2txtLoader本身 无内置拆分方法，生成多个 Document 必须结合文本分割器；lazy_load()原生仅返回1批（1个 Document），需自定义扩展才会多批；- 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
- 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； - 进阶必备：结合文本分割器拆分文本，是 RAG 场景的标配；
- 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；
- 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。