如何用Python解析Word文档(.docx)中的XML数据_技术教程

Python通过python-docx库或手动解压.docx ZIP包来解析其内部XML文件；前者用_element.xml获取段落等原始XML，后者用zipfile+etree/lxml读取document.xml等核心文件，并需正确处理命名空间。

Python本身不直接解析Word文档的底层XML，而是通过python-docx库操作.docx文件——因为.docx本质是ZIP压缩包，内部包含多个XML文件（如document.xml、styles.xml等）。若需访问原始XML数据，有两种主流方式：一是用python-docx间接获取XML片段；二是手动解压.docx并解析目标XML文件。

用python-docx提取段落/表格的XML结构

python-docx虽为高层接口，但每个元素（如Paragraph、Run）都提供_element属性，可直接访问底层lxml Element对象，进而读取或修改其XML。

安装依赖：pip install python-docx lxml

读取段落XML示例：

from docx import Document
doc = Document("example.docx")
p = doc.paragraphs[0]  # 获取第一个段落
xml_str = p._element.xml  # 返回该段落的完整XML字符串（含命名空间）
print(xml_str[:200])  # 查看前200字符

注意：_element.xml返回的是带namespaces的原始XML，可能含w:前缀（如），解析时需处理命名空间或用lxml的XPath配合{http://schemas.openxmlformats.org/wordprocessingml/2006/main}。

手动解压.docx并读取核心XML文件

.docx是ZIP格式，可用Python内置zipfile模块解压，再用xml.etree.ElementTree或lxml解析指定XML。

关键XML路径（在解压后目录中）：
- word/document.xml：主文档内容（段落、文字、制表符等）
- word/styles.xml：样式定义
- word/numbering.xml：编号与项目符号规则
- word/settings.xml：文档设置

示例：提取document.xml中的所有段落文本（忽略格式）：

import zipfile
import xml.etree.ElementTree as ET
with zipfile.ZipFile("example.docx") as docx:
with docx.open("word/document.xml") as f:
tree = ET.parse(f)
root = tree.getroot()
Word XML默认命名空间
    ns = {"w": "http://schemas.openxmlformats.org/wordprocessingml/2006/main"}
    for p in root.findall(".//w:p", ns):
        text = "".join(t.text for t in p.findall(".//w:t", ns) if t.text)
        print(text.strip())

用lxml做深度XML分析（推荐用于复杂需求）

当需XPath查询、命名空间灵活处理、或修改后重新打包时，lxml比标准库更强大。

安装：pip install lxml

读取并查询带样式的段落：

from lxml import etree
import zipfile
with zipfile.ZipFile("example.docx") as docx:
with docx.open("word/document.xml") as f:
tree = etree.parse(f)
使用XPath查找所有应用了"Heading1"样式的段落
    ns = {"w": "http://schemas.openxmlformats.org/wordprocessingml/2006/main"}
    headings = tree.xpath("//w:p[w:pPr/w:pStyle[@w:val='Heading1']]", namespaces=ns)
    for h in headings:
        text = "".join(h.xpath(".//w:t/text()", namespaces=ns))
        print("标题：", text.strip())

修改XML后，可调用tree.write()保存，并用zipfile重建.docx（需保留其他文件结构）。

注意事项与常见问题

直接操作XML有风险，务必备份原文件；且Word生成的XML结构较复杂，嵌套深、命名空间多。

命名空间必须匹配：OpenXML规范强制使用w:等前缀，XPath或find操作必须声明对应URI，否则查不到节点。
中文乱码？XML本身是UTF-8编码，zipfile.open()返回bytes，etree.parse()和lxml.etree.parse()能自动识别，无需手动decode。
图片、页眉页脚在哪？图片存在word/media/，页眉页脚在word/header.xml/footer.xml，需单独解压读取。
不建议从零构建.docx：手动拼XML易出错，优先用python-docx生成，仅在特殊分析场景才深入XML层。