Извлечь текст из DOCX
Сохраняет абзацы и, по желанию, таблицы документа в обычный текстовый файл.
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.
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.
Другие варианты
python docx_extract_text.py contract.docx --include-tablespython docx_extract_text.py notes.docx --outdir text --force
Что понадобится
winget install Python.Python.3.12
brew install python
sudo apt install python3
py -m pip install python-docx
python3 -m pip install python-docx
python3 -m pip install python-docx
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.