docx-reader

# Word 文档读取技能 ## 核心能力 1. **读取文档文字** — 提取 .docx 中的段落文本、表格内容 2. **提取图片** — 将文档中的图片导出为独立文件 3. **结构化摘要** — 生成文档内容大纲和关键信息提取 4. **试卷评测** — 结合 math-exam-evaluator，识别数学试卷中的题目和学生答案 ## 使用方式 ```python # 基本读取 from docx import Document doc = Document("C:\\path\\to\\file.docx") for para in doc.paragraphs: if para.text.strip(): print(para.text) # 读取表格 for table in doc.tables: for row in table.rows: for cell in row.cells: print(cell.text, end="\t") print() # 提取图片 for rel in doc.part.rels.values(): if "image" in rel.target_ref: img_data = rel.target_part.blob img_name = rel.target_ref.split("/")[-1] with open(f"output/{img_name}", "wb") as f: f.write(img_data) ``` ## 文档结构识别 ```python # 识别标题层级 def extract_headings(doc): headings = [] for para in doc.paragraphs: if para.style.name.startswith("Heading"): level = para.style.name.replace("Heading ", "") headings.append({"level": level, "text": para.text}) return headings ``` ## 常用属性参考 | 属性 | 说明 | |------|------| | `doc.paragraphs` | 所有段落 | | `doc.tables` | 所有表格 | | `doc.inline_shapes` | 所有嵌入式图片 | | `doc.part.rels` | 文档关系（包含图片引用） | ## 图片导出路径 导出目录结构： ``` 原文件目录/ ├── 原文件名.docx └── extracted_images/ ├── image1.png ├── image2.jpg └── ... ``` ## 注意事项 - 只支持 `.docx`（Office Open XML），不支持 `.doc`（旧版格式） - `.doc` 文件需先转换为 `.docx`（可用 PowerShell + Word COM 自动化） - 文档中的公式（MathType/OMML）以纯文本形式提取 - 加密保护的文档无法读取（会报错）