Офис и PDF

Извлечь текст из DOCX

Сохраняет абзацы и, по желанию, таблицы документа в обычный текстовый файл.

Python Windows macOS Linux Новичок
Скачать docx_extract_text.py
Описание

Что делает скрипт

Скрипт читает DOCX через python-docx, обходит абзацы в исходном порядке и может добавить таблицы с разделителями. Служебная разметка и картинки пропускаются, на выходе получается чистый текст. Исходный документ не изменяется.

Запуск

Быстрый старт

python docx_extract_text.py report.docx

Скачайте файл, откройте терминал в папке со скриптом и выполните команду. В Linux и macOS интерпретатор может называться python3, в Windows - python или py.

Примеры

Другие варианты

  • python docx_extract_text.py contract.docx --include-tables
  • python docx_extract_text.py notes.docx --outdir text --force
Зависимости

Что понадобится

Python 3.10+ Интерпретатор и стандартная библиотека
Windows winget install Python.Python.3.12
macOS brew install python
Linux sudo apt install python3
python-docx Импортируется как docx
Windows py -m pip install python-docx
macOS python3 -m pip install python-docx
Linux python3 -m pip install python-docx
Исходник

docx_extract_text.py

#!/usr/bin/env python3
"""Извлечение текста из DOCX."""
from __future__ import annotations

import argparse
import sys
from pathlib import Path

from docx import Document
from docx.table import Table
from docx.text.paragraph import Paragraph


def iter_blocks(document: Document):
    for child in document.element.body.iterchildren():
        if child.tag.endswith("}p"):
            yield Paragraph(child, document)
        elif child.tag.endswith("}tbl"):
            yield Table(child, document)


def main() -> int:
    parser = argparse.ArgumentParser(description="Извлечь текст из DOCX")
    parser.add_argument("input", type=Path, help="Исходный DOCX")
    parser.add_argument("--include-tables", action="store_true", help="Добавить содержимое таблиц")
    parser.add_argument("--outdir", type=Path, default=Path("text"), help="Папка результатов")
    parser.add_argument("--force", action="store_true", help="Перезаписать результат")
    args = parser.parse_args()

    path = args.input.expanduser()
    if not path.is_file():
        print(f"Файл не найден: {path}", file=sys.stderr)
        return 2
    if path.suffix.lower() not in {".docx", ".docm"}:
        print("Поддерживаются файлы .docx и .docm", file=sys.stderr)
        return 2

    target = args.outdir.expanduser() / f"{path.stem}.txt"
    if target.exists() and not args.force:
        print(f"Файл уже существует: {target}. Добавьте --force.", file=sys.stderr)
        return 2

    try:
        document = Document(str(path))
    except Exception as error:
        print(f"Не удалось открыть DOCX: {error}", file=sys.stderr)
        return 1

    parts: list[str] = []
    for block in iter_blocks(document):
        if isinstance(block, Paragraph):
            text = block.text.strip()
            if text:
                parts.append(text)
        elif args.include_tables:
            for row in block.rows:
                cells = [" ".join(cell.text.split()) for cell in row.cells]
                if any(cells):
                    parts.append(" | ".join(cells))

    content = "\n".join(parts) + "\n"
    target.parent.mkdir(parents=True, exist_ok=True)
    target.write_text(content, encoding="utf-8")
    print(f"Готово: {target}, символов: {len(content)}")
    return 0


if __name__ == "__main__":
    raise SystemExit(main())

Скрипты работают с файлами и настройками системы. Перед запуском прочитайте код и проверьте пути. Особенно если скрипт удаляет, перезаписывает или перемещает данные.

CLI 1.0.0

Скачать без браузера

Команда скачает этот файл в текущую папку. CLI работает на Windows, macOS и Linux.

scriptdock get office-docx-extract-text
  • Поиск по всему каталогу
  • Python 3.10+
  • Без внешних пакетов
Скачать CLI

GUI-версия готовится. Подробнее

Категория

Офис и PDF

PDF, Word, Excel, презентации, документы и печать.