python-docx仅支持.docx格式，不支持.doc；其paragraphs仅含正文段落，不含标题、表格等；中文显示依赖字体名但不校验存在性；纯文本提取需过滤空段落并逐run拼接。
python-docx 读不到中文段落？检查文档是否真为 .docx 格式
很多用户以为双击打开是 Word 就能用 python-docx，结果 Document() 报 PackageNotFoundError 或直接崩溃。根本原因是：.doc 文件（OLE 复合二进制格式）和 .docx（Open XML）结构完全不同，python-docx 只支持后者。
- 用 Windows 资源管理器看文件扩展名，确认是
.docx而非.doc（哪怕图标一样） - 在终端里执行
file your_file.doc（Linux/macOS）或用 PowerShell 运行Get-Item your_file.doc | % Extension，验证真实格式 - 如果真是
.doc，必须先转存为.docx—— 用 Word 打开后「另存为」→ 选择「Word 文档 (*.docx)」，别用「兼容模式」保存
为什么 paragraph.text 返回空字符串？注意标题、表格、文本框里的文本
python-docx 的 Document.paragraphs 只返回顶层段落（即“正文”区域的段落），不包含标题、页眉页脚、表格单元格、文本框、脚注中的内容。很多用户误以为“所有文字都在 paragraphs 里”，结果漏掉关键信息。
- 标题需遍历
document.styles或检查paragraph.style.name是否含"Heading" - 表格文本必须显式访问：
for table in document.tables: for row in table.rows: for cell in row.cells: for paragraph in cell.paragraphs: print(paragraph.text) - 文本框（Shape）内容藏在
document.part._element.xpath('//w:txbxContent')，但极难稳定提取；建议提前在 Word 中把文本框内容复制到正文
中文乱码或格式丢失？不是编码问题，是字体与样式未映射
python-docx 不解析字体渲染逻辑，也不加载系统字体。它读取的是 Word 文档中记录的“字体名称字符串”（如 "SimSun"、"Microsoft YaHei"），但不会校验该字体是否存在。所以你看到 run.font.name 是中文名，不代表能正确显示或参与后续处理。
- 不要依赖
run.font.name做字体判断，它可能为空、为None，或返回英文别名（如"Arial"即使实际显示是黑体） - 真正可靠的样式标识是
run.style（如"Strong"、"Emphasis"）或手动设置的run.bold/run.italic布尔值 - 若需提取“加粗的中文标题”，优先用
paragraph.style.name.startswith("Heading") and run.bold，而不是比对字体名
想批量提取纯文本？别只拼 p.text，小心换行和空段落干扰
直接 "\n".join(p.text for p in doc.paragraphs) 看似简单，但实际会混入大量空行（Word 自动分页产生的空段落）、无意义换行（人为按 Shift+Enter）、以及表格/列表编号前的不可见字符。
立即学习“Python免费学习笔记（深入）”；
- 过滤空段落：
p.text.strip() != "" - 合并软回车（
run.text内部的\n）：默认已由paragraph.text合并为单行，无需额外处理 - 去掉列表编号和缩进符号：用正则
re.sub(r'^[\s•◦▪●0-9.\)\-]+', '', p.text.strip())，但注意这会误伤正常数字开头的句子 - 更稳妥的做法是逐
run拆解："".join(run.text for p in doc.paragraphs for run in p.runs)，再统一清理空白符
复杂文档的文本结构远不止“段落拼接”，样式嵌套、分节符、域代码（比如页码、目录）都会让纯文本提取变得脆弱。真要高保真还原，得接受部分信息必然丢失——这是 python-docx 的能力边界，不是你代码写错了。
