document.xml 是 docx 文件 zip 包中存储文档主体结构化内容的 xml 文件，位于 word/document.xml 路径，含段落、文本、样式引用等，但不含图片、元数据及页眉页脚等内容。
document.xml 是什么
document.xml 是一个 ZIP 压缩包内部的 XML 文件，位于 DOCX 文件的 word/document.xml 路径下。DOCX 本质上是多个 XML、rels、media 等文件组成的 ZIP 包，document.xml 存储了文档主体的结构化内容（段落、文字、样式引用等），但不包含二进制资源（如图片）或元数据（如作者、修改时间）。
它不是纯文本，而是带命名空间的 XML，含大量 w:t（文本节点）、w:tab、w:br、w:hyperlink 等元素，且文本常被拆散在多个 w:t 下（尤其含格式变化时）。
直接解压 + 解析 document.xml 提取文本
手动提取可行，但要注意以下几点：
- 必须先用 ZIP 工具解压 DOCX（DOCX 就是 ZIP，可直接改后缀为
.zip解压） - 不要依赖正则匹配文本，必须用 XML 解析器（如 Python 的
xml.etree.ElementTree或lxml） - 必须处理命名空间：
{<a href="https://www.php.cn/link/0f18e4824fc601cd270a4d31b084bb5d">https://www.php.cn/link/0f18e4824fc601cd270a4d31b084bb5d</a>}，否则find('w:t')找不到节点 - 需合并连续的
w:t（同一段落内可能有多个，中间夹着w:tab或w:br）
import zipfile
from xml.etree import ElementTree as ET
<p>def extract_text_from_document_xml(docx_path):
with zipfile.ZipFile(docx_path) as docx:
with docx.open('word/document.xml') as f:
tree = ET.parse(f)
root = tree.getroot()
ns = {'w': '<a href="https://www.php.cn/link/0f18e4824fc601cd270a4d31b084bb5d">https://www.php.cn/link/0f18e4824fc601cd270a4d31b084bb5d</a>'}</p><pre class='brush:php;toolbar:false;'>text_parts = []
for t in root.findall('.//w:t', ns):
if t.text:
text_parts.append(t.text)
return ''.join(text_parts)示例调用
print(extract_text_from_document_xml('example.docx'))
为什么不用正则或字符串替换
-
document.xml 中文本可能被 CDATA 包裹（如含特殊字符）
-
w:t 可能为空，或仅含空格，或嵌套在 w:instrText（字段代码）中，误提取会导致乱码或错误内容
- 表格、文本框、页眉页脚的内容不在
document.xml，而在 word/document.xml 的子结构或单独文件（如 word/header1.xml）中
- 样式信息（加粗、颜色）不参与文本提取，但若需保留结构（如标题层级），就得解析
w:pStyle 和 w:pPr
更可靠的做法：用专业库替代手撕 XML
document.xml 中文本可能被 CDATA 包裹（如含特殊字符）w:t 可能为空，或仅含空格，或嵌套在 w:instrText（字段代码）中，误提取会导致乱码或错误内容document.xml，而在 word/document.xml 的子结构或单独文件（如 word/header1.xml）中w:pStyle 和 w:pPr
直接解析 document.xml 容易漏内容、难维护。实际项目中应优先使用成熟库：
- Python 推荐
python-docx：自动处理命名空间、段落/表格/列表/页眉页脚，还能读写 - Node.js 推荐
mammoth：专注从 DOCX 提取语义 HTML 或纯文本，对复杂格式鲁棒性好 - Java 推荐
Apache POI：支持低层 XML 访问，也提供高阶 API
# python-docx 示例（比手撕 XML 稳定得多）
from docx import Document
<p>doc = Document('example.docx')
full_text = []
for para in doc.paragraphs:
full_text.append(para.text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
for para in cell.paragraphs:
full_text.append(para.text)
print('\n'.join(full_text))</p>真正容易被忽略的是：DOCX 中的文本分散在至少 5 个位置——document.xml、header<em>.xml</em>、footer.xml、footnotes.xml、endnotes.xml。只读 document.xml 就像只看主菜不吃配菜，看起来完整，其实漏了关键部分。
