如何用Python解析Word文档(.docx)中的XML数据

Python通过python-docx库或手动解压.docx ZIP包来解析其内部XML文件；前者用_element.xml获取段落等原始XML，后者用zipfile+etree/lxml读取document.xml等核心文件，并需正确处理命名空间。

Python本身不直接解析Word文档的底层XML，而是通过python-docx库操作.docx文件——因为.docx本质是ZIP压缩包，内部包含多个XML文件（如document.xml、styles.xml等）。若需访问原始XML数据，有两种主流方式：一是用python-docx间接获取XML片段；二是手动解压.docx并解析目标XML文件。

用python-docx提取段落/表格的XML结构

python-docx虽为高层接口，但每个元素（如Paragraph、Run）都提供_element属性，可直接访问底层lxml Element对象，进而读取或修改其XML。

• 安装依赖：pip install python-docx lxml
• 读取段落XML示例：

  from docx import Document
  <p>doc = Document("example.docx")
  p = doc.paragraphs[0]  # 获取第一个段落
  xml_str = p._element.xml  # 返回该段落的完整XML字符串（含命名空间）
  print(xml_str[:200])  # 查看前200字符
  

• 注意：_element.xml返回的是带namespaces的原始XML，可能含w:前缀（如<p></p> <div class="aritcle_card"> <a class="aritcle_card_img" href="/xiazai/shouce/1727"> <img src="https://img.php.cn/upload/manual/000/000/011/170658575739710.png" alt="Android数据格式解析对象JSON用法 WORD版"> </a> <div class="aritcle_card_info"> <a href="/xiazai/shouce/1727">Android数据格式解析对象JSON用法 WORD版</a> <p>本文档主要讲述的是Android数据格式解析对象JSON用法；JSON可以将J*a对象转成json格式的字符串，可以将json字符串转换成J*a。比XML更轻量级，Json使用起来比较轻便和简单。JSON数据格式，在Android中被广泛运用于客户端和服务器通信，在网络数据传输与解析时非常方便。希望本文档会给有需要的朋友带来帮助；感兴趣的朋友可以过来看看</p> <div class=""> <img src="/static/images/card_xiazai.png" alt="Android数据格式解析对象JSON用法 WORD版"> <span>0</span> </div> </div> <a href="/xiazai/shouce/1727" class="aritcle_card_btn"> <span>查看详情</span> <img src="/static/images/cardxiayige-3.png" alt="Android数据格式解析对象JSON用法 WORD版"> </a> </div> ），解析时需处理命名空间或用lxml的XPath配合{http://schemas.openxmlformats.org/wordprocessingml/2006/main}。

手动解压.docx并读取核心XML文件

.docx是ZIP格式，可用Python内置zipfile模块解压，再用xml.etree.ElementTree或lxml解析指定XML。

• 关键XML路径（在解压后目录中）：
  • word/document.xml：主文档内容（段落、文字、制表符等）
  • word/styles.xml：样式定义
  • word/numbering.xml：编号与项目符号规则
  • word/settings.xml：文档设置
• 示例：提取document.xml中的所有段落文本（忽略格式）：

  import zipfile
  import xml.etree.ElementTree as ET
  <p>with zipfile.ZipFile("example.docx") as docx:
  with docx.open("word/document.xml") as f:
  tree = ET.parse(f)
  root = tree.getroot()</p><h1>Word XML默认命名空间</h1><pre class="brush:php;toolbar:false;">    ns = {"w": "http://schemas.openxmlformats.org/wordprocessingml/2006/main"}
      for p in root.findall(".//w:p", ns):
          text = "".join(t.text for t in p.findall(".//w:t", ns) if t.text)
          print(text.strip())

用lxml做深度XML分析（推荐用于复杂需求）

当需XPath查询、命名空间灵活处理、或修改后重新打包时，lxml比标准库更强大。

• 安装：pip install lxml
• 读取并查询带样式的段落：

  from lxml import etree
  import zipfile
  <p>with zipfile.ZipFile("example.docx") as docx:
  with docx.open("word/document.xml") as f:
  tree = etree.parse(f)</p><h1>使用XPath查找所有应用了"Heading1"样式的段落</h1><pre class="brush:php;toolbar:false;">    ns = {"w": "http://schemas.openxmlformats.org/wordprocessingml/2006/main"}
      headings = tree.xpath("//w:p[w:pPr/w:pStyle[@w:val='Heading1']]", namespaces=ns)
      for h in headings:
          text = "".join(h.xpath(".//w:t/text()", namespaces=ns))
          print("标题：", text.strip())

• 修改XML后，可调用tree.write()保存，并用zipfile重建.docx（需保留其他文件结构）。

注意事项与常见问题

直接操作XML有风险，务必备份原文件；且Word生成的XML结构较复杂，嵌套深、命名空间多。

• 命名空间必须匹配：OpenXML规范强制使用w:等前缀，XPath或find操作必须声明对应URI，否则查不到节点。
• 中文乱码？XML本身是UTF-8编码，zipfile.open()返回bytes，etree.parse()和lxml.etree.parse()能自动识别，无需手动decode。
• 图片、页眉页脚在哪？图片存在word/media/，页眉页脚在word/header.xml/footer.xml，需单独解压读取。
• 不建议从零构建.docx：手动拼XML易出错，优先用python-docx生成，仅在特殊分析场景才深入XML层。

以上就是如何用Python解析Word文档(.docx)中的XML数据的详细内容，更多请关注其它相关文章！