一、应用场景：有什么用处？我在从事教育信息化的工作中，经常会用到word的解析有人会纳闷，我们都是用word编辑文字，你却去解析它你今天必须解释一下，解析……是什么意思？解析就是解剖并分析解析word，就是提取word里面的结构和内容。
举个例子，不管是考驾照，还是考资格证，我们都有过在设备上做题的经历。
这些题目，你之所以能在前端看到，其实是有人在后端一条条录入的。就像你提交个人信息报备那样。
上面的这种方式的录入，在我们行业，是会被骂的！尽管你觉得，这并没有什么不妥。因为对于试卷，录入员拿到的是这样的原稿。
一套试卷有几十道题，一道题又有十来个属性，这么算来，一套题得填上百个框框（请用重庆话读：框框儿）。其实，程序员完全可以通过技术手段，自己去读出word的内容。
理论上，word里展示的所有内容，程序员都能拿到拿到数据之后，家境差点的公司，通过代码逻辑去找试卷名、选项这类属性家境好点儿的企业，通过人工智能的NLP文本分类（我就是这么干的），可以更好地实现智能分类。
反正，两种途径都能实现而此时，录入员只负责编辑word就可以了这个过程就叫做“word导入”能导入的前提，是可以解析出来word的内容能解析word的前提，就是docx格式二、docx格式：为什么出现？。
不知道您各位有没有印象，从某个时期开始，微软办公文件名的小尾巴多了一个“x”原来word、PowerPoint还有excel，后缀名分别是doc、ppt、xls后来，就突然涌现出了docx、pptx、xlsx。
到目前为止，这些x们占据了主流市场。
为什么？为什么要这样？我仿佛听到Office家族在抱着扫帚悲伤地唱：你伤害了Word，还Excel而过，你Access的贪婪，我PowerPoint……原来的doc格式是加密的，只有微软自己家的软件才能打开。
后来微软觉得，这样并没有让自己很神圣，反而限制了自己的发展比如，金山WPS也是搞办公软件的，它的发展很快，积累了很多用户不少人开始用wps了，word的用户面临被瓜分于是，微软就基于Office Open XML标准，把文档家族做了兼容。
因为新标准是采用的xml格式记录信息的，所以就在.doc后面加了个x新标准之后，即便是微软创建的文档，WPS也能打开这样，用户只关心文档就行，不用在意用哪个软件，这就实现了用户共享反正，是这个意思，我猜的，别全信……。
三、文件结构：怎么来解析？那么，docx格式究竟是什么样子的呢？
它看起来是个文件，其实，它是个压缩包。下面就是一个docx文档，是我亲手编辑的。
我再亲自做一下解压缩：将.docx改为.zip，右键选择解压文件，它就露出原形了。
上图演示了解压缩，并打开了word/media文件夹，这是文档里出现的图片分析发现，在docx中同一张图复制多次，media里面只保留一张原图这说明，它是个勤俭节约的好孩子承载同样多的内容，docx格式比doc的体积要小。
正如我们看到，解压后它是有目录结构的。
放心，我不会挨个把文件都给你介绍一遍因为，那并没有什么用即便有用，你也记不住即便你记得住，我也说不明白……为什么要学习那么全面的知识呢？汉字总计10万多个，常用字只有2500个，够用了我说几个比较关键的点。
3.1 主文件 document.xml位于word下的document.xml文件，是docx的主战场可以说，文档中你能看到的所有内容，在这里都有直接或者间接的记录document.xml是一个XML
格式的文档我们来打开它，咱们先只打开一级为了你能看下去，我对数据做了处理，保证你只能看到关键信息 ......
...... ... ...我们看到，
body体里，只有3种标签，分别是、和。
一个docx文档，基本由这三种成分组成w指的是word，p指的是paragraph段落，tbl表示table表格sectPr全称是section primp，这个千万别记，容易扰乱思路清空你的大脑，docx文档里就两种大类，一种叫。
段落，另一种叫表格3.2 段落标签 w:p在docx中，段落是最常见的，是文档中最主要的组成单元和你理解的段落一样不换行就属于一个段落即便是“咔咔咔”敲上6个回车，虽然没有内容，那它也属于6个段落，在。
xml中是6个另外，包含图片、流程图、公式等元素的内容，也是包含在段落中的换句话说，它们都是小弟我们能用代码取到段落的信息吗？当然能！（这自问自答，被怀疑是凑字数）我们用哪类编程语言都可以做到，因为仅仅就是读取。
XML文件但是对于教学而言，用python无疑是最佳的选择# 导入解析xml的库import xml.dom.minidom as xdom # 加载文档 xp = xdom.parse(word/document.xml。
) # 获取文档根节点 root=xp.documentElement # 获取body节点们 bodys = root.getElementsByTagName("w:body") # 因为getElements返回多个对象，我们只有一个
body = bodys[0] # 循环遍历body下的节点for i,ele in enumerate(body.childNodes): e_name = ele.nodeName
# 打印{序号} -> {节点名称} is {对象}print(i,"->",e_name,"is",ele) 我们看一下打印结果，它和源文档完全对应，一个都没有少。
下面该详细说一下w:p的小弟们了3.3 文本标签 w:t在纷杂的xml文件中，可以扒拉出来一个叫标签word的doc格式原来是不开源的，后来改成了docx格式后，是开源的。
…… …… 这里面存储的内容，就是word里面的文字，t就是text的简称你在docx里面看到的每一个字，基本上都是被和
所包裹的也就是说，如果我们拿出所有标签内的文本，我们就做到了纯文本docx的解析代码，其实很简单，就是在元素中，扫描的标签并取出其内容上面我们已经拿到了body
标签，所以从那里继续# 循环body下的大单元 w:p段落，w:tbl表格for i,ele in enumerate(body.childNodes): # 找到包含w:t的标签,可能是多个 wts = ele.getElementsByTagName(
"w:t") ele_text = ""# 记录大单元内所有文本for wt in wts: # 循环 ele_text = ele_text + wt.text print
(ele_text) # 打印输出看看代码对应的效果。
恭喜你，你已经学会了解析docx的文本了是的，提取一个docx的文本，就是这么简单你现在就可以写一个程序，可以做到把docx转为txt但是……有一点我要告诉你，运行代码里的wt.text可能会报错，为了便于你理解，我特意写了伪代码。
实际上，要从中取出文本内容，可以像下面这样：import re # 导入正则库# 构建一个正则，去除<>标签 pattern_del_tag = re.compile(r]+>,re.S)
# 把元素转为xml格式xxx，然后去标签 t_text = pattern_del_tag.sub(, wt.toxml()) 我认为这么讲，你反而能理解因为，不用在理解什么叫。
的时候，还要分散注意力到正则表达式。3.4 连续块 w:r上面我们讲了如何去解析文字。但是，那太简单了。文字是有样式的。
都在同一段w:p内的文字，它们的样式，可能不一样比如前两个字是红色，那么这两个字样式一样但是，后两个字是绿色，和前面又不一样为了解决这个问题，docx把具有相同样式的文字，用标签包裹
r代表run关于这个run的解释，很多国内文档都直接翻译为“运行”其实，run在英文中有很多解释我觉得在这里更适合它的释义应该是：“一段”、“一系列”、“连续上演”因此，我个人给这个标签起名叫：连续块表示在这个标签之内的文本，是一个系列的，他们的特点是连续不间断的。
代码依然是处理xml文件的那一套，不是找标签就是拿属性还有其他的样式标签，你可以自己研究我这里先抛砖引玉，举两个例子比如上面例子中的字体颜色，一般在标签内w依然表示word，r表示run，
Pr表示Primp，是修饰、装饰的意思这个标签的释义就是：连续块的样式说明类似的还有，表示对段落paragraph的样式说明，表示对表格单元格table cell。
的样式说明。我们来看一下，连续块修饰是如何定义的。比如对于粗体、斜体的说明。
用代码进行判断，主要是tag的读取能找到tag，就说明有此种样式的标记w_i = w_rPr.getElementsByTagName("w:i") if w_i: print("是斜体") w_b = w_rPr.getElementsByTagName(
"w:b") if w_i: print("是粗体") 再比如对于各种线条的说明。
上面的例子，如果用代码进行判断的话，除了对 tag存在的判断，还需要获取属性值w:val，表示用了哪一类具体的样式w_u = w_rPr.getElementsByTagName("w:u") if w_u:
# 获取属性值用 getAttribute line_value = w_u[0].getAttribute("w:val") if line_value == "single":
print("是下划线") if line_value == "double": print("是双划线") if line_value == "wave":
print("是波浪形线") if line_value == "dotted": print("是虚线") 我可以很负责任地说，只要是文档中呈现的信息，在xml文件中都可以找到对应的标注。
我可以“吧啦吧啦”全告诉你，但是会影响你看其他的内容有兴趣你可以去查资料，都是手册类型的资料，很方便我倒是觉得，你自己在word中标记一下，然后解压缩观察xml文件的变化，这样子学的更牢反正我就是这么学来的。
以下是我用html把一个word文档做了复原。这是docx原文档：
这是解析docx文档后呈现的html页面：
我们可以看到，包括字号、字体、字色、标线都可以复原只剩下两个重要的内容没有说了那就是图片和表格3.5 图像标签 w:drawingdocx中的图片是如何从xml中提取出来的呢？你在连续块中会发现有一个
标签。这里面主要存放的，就是图画相关的信息。图片仅仅是中的一个小分类。除了图片，还有图表、形状、流程图等。
今天，咱们说个最简单的，那就是如何提取图片图片的标签是，他在xml中如下定义：
/>其中，图片文件就藏在中，里面的rId9就是捕获图片的线索还记不记得解压缩时，那个media文件夹，里面有好多图片。
是有图片，但这也不是rId9呀？别急，有个文件专门做关联这件事情它就是解压缩之后的word/_rels/document.xml.rels文件打开这个文件：。
……
Id="rId11"/>哈哈，这里有档案，记录了哪个id指向哪个文件于是，我们解析这个文件，就可以拿到对应关系。
然后，遇到pic中id等于rId9的，就把media/image1.png这个图片文件展示出来这，就实现了图片的解析可以鼓掌了！3.6 表格标签 w:tbl表格标签的地位很重，它和段落标签。
平级分析整个文档的顶层组成元素，我们不难发现，除了就是一开始，我不理解为什么图表、流程图那么复杂的元素，却不配得到表格那么高的地位天理何在？后来，我解析到一个表格后发现。
我，好像低估了大佬的地位。
如果，你看到上面的图没有笑喷那说明，你可能没有看懂本文或者是我的笑点出了问题单纯表格的结构，其实不复杂但是，表格里每一个单元格，却可以容纳另一个word文档表格里面，图片、图表、文本样式，甚至表格里再来一个表格，什么都可以添加，它甚至是包含了。
大佬和并列，它反而是委屈的我们来看一下表格的基本结构
>...... ... 节点元素中，主要有两部分内容，一个
介绍表格列的个数另一个是包含表格行的信息 tr是table row的缩写其中，里面有，这里面是格子的内容我们发现其内容，居然是一个它的兄弟节点
在此，给表格大佬深深地鞠上一躬tc是table cell的缩写，表示单元格的意思有人可能会说，tc是table column的缩写，表示表格的列当我后面论述带有合并单元格的表格时，从结构上看，我们会感觉。
table cell更适合语境。先说基本表格的解析，如下图所示：
解析的代码参考如下：w_table = body.childNodes[0] # 拿到表格节点# 获取所有的行 w_trs = w_table.getElementsByTagName("w:tr") rows_text = []
# 存放行的文本 for r_index, tr in enumerate(w_trs): # 获取所有的单元格 cells = tr.getElementsByTagName("w:tc"
) cells_text = [] # 存放单元格的文本 for c_index, cell in enumerate(cells): # 获取所有的文本 wts = cell.getElementsByTagName(
"w:t") for wt in wts: # 把文本拼接 cells_text.append(wt.text) rows_text.append(cells_text) print(rows_text)
# 打印结果，二维数组[[r1c1,r1c2],[r2c1,r2c2]]运行一下代码，结果如下：
这里面我又挖坑了，除了前面讲w:t时的wt.text陷阱之外w:tc的内容应该是去解析完整的w:p结构，而这里我只取了w:t文本这样最简单因为，我们是要理解表格的结构因此，其他的可以假装看不见但是，也由此可见，做好表格解析的前提，是做好段落解析。
因为表格单元格里是段落我相信，有了表格的解析结果（二维数组），你很容易就可以把它还原成表格页面用于展示只需要循环就好，第一层循环行，第二层循环列我还是用1分钟写一下代码吧：rows_text = [[名称, 后缀名], [Word, docx]] table_html = ["。
"] for row in rows_text: table_html.append("") for cell in row: table_html.append("
"+cell+"") table_html.append("") table_html.append("") table_html = "".join(table_html) print(table_html) #
# 名称后缀名 # Worddocx # 据我所知，世界上的表格除了上面那种简单的，还有一些稍微复杂的。
那就是带有合并单元格的表格比如下面这种：
这类表格的解析稍微复杂一些，它们属于复杂里面最简单的。我们来看看他们的xml数据是如何定义的。首先看带有跨行的表格的例子。
对于跨行的情况，我们发现表格的xml数据，该有的行和列，数量都没有变只是在要合并的单元格上标记了一个标签这个标签表示有跨行的单元格v表示vertical，是竖直方向的意思vMerge。
表示竖直合并。这个标签里面还有属性值w:val，当值为restart时表示此单元格开始出现合并，continue表示此单元格没有结束，继续保持，直到遇到非continue情况。再来看看跨列的情况。
跨列因为发生在行内，是行内矛盾，不影响其他行所以，我们看到只有在第1行的第1格中，采用标签，说明本行有跨列的单元格val值是2，表示跨2个单位为什么我前面说，tc是table cell。
的缩写我的依据就在这里其实这个表格的结构是2行2列如果c指的是column的话，它应该有2个，后一个复用前一个但是，我们看上图里的结构，它只有一个那我们称呼它叫单元格更贴切，因为它只有一个框。
你可以反驳我，我会立马说，你说的对，但以后依然称呼它单元格带有合并单元格的页面还原，逻辑稍微复杂但是底层还是和普通表格一样，通过循环行和列你只需要遇到合并的时候，搞一个colspan=2或者rowspan=3。
就行此处，我不再给大家贴代码了原理已经讲得很透彻了，算是留一个作业你可以自己思考一下，会有更多的收获唉呀，还是给大家一个小提示吧，仅供参考因为我搞合并单元格时，花费了2天时间才完成我把一个关键点提供给大家：对于复杂表格，最终的数据结构用一维数组更恰当。
这个结构可以像这样[{"x_start":0, "x_end":1, "y_start":0, "y_end":0, "content":"不要问我"}]如果你看完了，2个小时还搞不定那请您不要来问我，问我也是回复一个狗头表情。
四、其他妙用：藏初恋照片？首先声明，这招我没用过啊我只是论述它的可行性我的很多读者都结婚了，最差也有女朋友了，他们还都怕老婆但是，谁没有热血青春呢？有人就想存着初恋照片，夜深人静的时候看一看但是，又怕被现任发现。
怎么办？手机相册不安全！文件加密码或者修改后缀名属于不打自招那么，你千万不要放到docx中它只不过是个压缩包解压缩之后，加点文件进去，改回来还是正常的文档看不出来有任何问题，经得起组织考验和检查我有这么个文档，很清白的一个文档。
解压缩之后，里面包含有图片，甚至pdf都有。
唉，程序员的思维境界就是这么的朴实无华又低级趣味。要是被销售员看到，他们该引发商业战了。我是ITF男孩，带你从IT男角度看世界。文章未经允许，禁止转载。
亲爱的读者们，感谢您花时间阅读本文。如果您对本文有任何疑问或建议，请随时联系我。我非常乐意与您交流。
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。