Python Word批量转纯文本txt：提取正文

用python-docx批量把Word文档转换成纯文本txt，保留段落和表格内容，适合做语料清洗、全文检索、导入数据库或喂给大模型。

场景痛点

做语料分析、问答知识库、全文检索时，需要把大量Word文档里的文字抽出来存成txt。手动复制粘贴不仅慢，还会丢掉表格、换行结构。用python-docx直接解析docx的XML结构，段落和表格都能一次性提取，批量跑一整个文件夹。

用到的库

pip install python-docx

完整代码

# -*- coding: utf-8 -*-
"""
批量把 .docx 转成 .txt，保留段落顺序和表格内容
"""
from pathlib import Path
from docx import Document
from docx.document import Document as _Doc
from docx.table import Table
from docx.text.paragraph import Paragraph
from docx.oxml.ns import qn


def iter_block_items(parent: _Doc):
"""按文档真实顺序遍历段落和表格（python-docx默认把段落和表格分开取）"""
body = parent.element.body
for child in body.iterchildren():
if child.tag == qn('w:p'):
yield Paragraph(child, parent)
elif child.tag == qn('w:tbl'):
yield Table(child, parent)


def docx_to_text(doc_path: Path) -> str:
"""把单个 docx 转成纯文本，段落和表格按顺序拼接"""
doc = Document(str(doc_path))
lines = []

for block in iter_block_items(doc):
if isinstance(block, Paragraph):
text = block.text.strip()
if text:
lines.append(text)
elif isinstance(block, Table):
# 表格按行输出，单元格用制表符分隔
for row in block.rows:
cells = [cell.text.strip().replace('\n', ' ') for cell in row.cells]
lines.append('\t'.join(cells))

return '\n'.join(lines)


def batch_convert(input_dir, output_dir):
input_dir = Path(input_dir)
output_dir = Path(output_dir)
output_dir.mkdir(parents=True, exist_ok=True)

docx_files = [f for f in input_dir.glob("*.docx") if not f.name.startswith("~$")]
print(f"共 {len(docx_files)} 个文档待转换")

for docx_file in docx_files:
try:
text = docx_to_text(docx_file)
txt_path = output_dir / (docx_file.stem + ".txt")
# 用 utf-8-sig 保存，记事本打开不乱码
txt_path.write_text(text, encoding="utf-8-sig")
print(f"✓ {docx_file.name} -> {txt_path.name}  ({len(text)} 字符)")
except Exception as e:
print(f"✗ {docx_file.name} 失败：{e}")


if __name__ == "__main__":
batch_convert(
input_dir="./word_docs",
output_dir="./txt_output",
)

代码讲解

直接用 Document.paragraphs 只能拿到段落，Document.tables 只能拿到表格，两者会打乱文档原有顺序。所以写了 iter_block_items()，直接遍历 docx 底层 XML 的 body 节点，遇到 w:p 当段落处理，遇到 w:tbl 当表格处理，保证正文阅读顺序和Word里一致。

表格部分把每一行单元格用制表符 \t 拼起来，后续想转CSV或者喂给pandas都很方便。

保存时用 utf-8-sig 而不是普通 utf-8，多写一个BOM头，Windows 记事本打开中文不会乱码。