doc文件文本结构提取

python-docx模块处理word文档

- docx文件

docx是Microsoft Office2007之后版本使用的，用新的基于XML的压缩文件格式取代了其目前专有的默认文件格式，在传统的文件名扩展名后面添加了字母“x”
docx格式的文件本质上是一个ZIP文件。将一个docx文件的后缀改为ZIP后是可以用解压工具打开或是解压的。事实上，Word2007的基本文件就是ZIP格式的

docx文档包含的内容有以下四类

• 段落： 文本 样式-判断段落的种类
• 表格
• 图片
• 其它插入的文件对象

代码操作流程

• 命令行安装 pip install python-docx
• 打开pycharm导入 import docx

运行问题