Python提取DOCX文件中格式化编号的解决方案求助

背景与需求 #

正在开发Python项目，需从DOCX文件提取文本并保留格式化编号（如1.、1.1、1.1.1等）。手动复制粘贴为纯文本时编号可正常保留，说明编号信息存在，但现有代码方法无法捕获。

已尝试的无效方法 #

• 使用python-docx库：仅提取文本，丢失编号格式

  from docx import Document
  
  doc = Document('my_file.docx')
  for para in doc.paragraphs:
      print(para.text)
  

• 转换DOCX为HTML后解析：同样无法保留编号

  import mammoth
  from bs4 import BeautifulSoup
  
  with open("my_file.docx", "rb") as docx_file:
      result = mammoth.convert_to_html(docx_file)
      html = result.value
  
  soup = BeautifulSoup(html, 'html.parser')
  text = soup.get_text()
  print(text)
  

• 使用docx2txt：仍丢失编号

  import docx2txt
  
  text = docx2txt.process("my_file.docx")
  print(text)
  

待解决问题 #

1. 能否通过Python访问DOCX文件底层的编号信息？
2. 是否有可处理该问题的Python库或工具？
3. 若Python无直接方法，是否有中间步骤或格式转换可保留编号信息？

解决方案 #

1. 直接通过Python访问DOCX底层编号信息 #

可以。DOCX的编号存储在文档的numbering.xml部件中，python-docx提供了访问段落编号属性的底层接口，通过解析段落的XML元素可生成编号文本：

示例代码：

from docx import Document
from docx.oxml.ns import qn

def get_paragraph_number(paragraph):
    numbering_part = paragraph.part.numbering_part
    if not numbering_part:
        return ""
    
    pPr = paragraph._p.find(qn('w:pPr'))
    if not pPr:
        return ""
    
    numPr = pPr.find(qn('w:numPr'))
    if not numPr:
        return ""
    
    numId = numPr.find(qn('w:numId'))
    ilvl = numPr.find(qn('w:ilvl'))
    if not numId or not ilvl:
        return ""
    
    num_id = int(numId.get(qn('w:val')))
    ilvl_id = int(ilvl.get(qn('w:val')))
    
    num_def = numbering_part.numbering_definitions._get_num(num_id)
    if not num_def:
        return ""
    
    abstract_num_id = num_def.abstract_num_id.val
    abstract_num = numbering_part.numbering_definitions._get_abstract_num(abstract_num_id)
    if not abstract_num:
        return ""
    
    lvl = abstract_num.get_lvl(ilvl_id)
    if not lvl:
        return ""
    
    # 统计当前级别段落的序号
    count = 0
    for prev_para in paragraph.parent.paragraphs:
        if prev_para == paragraph:
            count +=1
            break
        prev_pPr = prev_para._p.find(qn('w:pPr'))
        if prev_pPr:
            prev_numPr = prev_pPr.find(qn('w:numPr'))
            if prev_numPr:
                prev_numId = prev_numPr.find(qn('w:numId'))
                prev_ilvl = prev_numPr.find(qn('w:ilvl'))
                if prev_numId and prev_ilvl:
                    if int(prev_numId.get(qn('w:val'))) == num_id and int(prev_ilvl.get(qn('w:val'))) == ilvl_id:
                        count +=1
    
    # 生成对应格式的编号文本（适配常见的多级十进制编号）
    format_str = lvl.numFmt.val
    if format_str == 'decimal':
        if ilvl_id == 0:
            return f"{count}."
        else:
            # 获取父级编号
            parent_ilvl = ilvl_id - 1
            parent_num = ""
            for prev_para in paragraph.parent.paragraphs:
                if prev_para == paragraph:
                    break
                prev_pPr = prev_para._p.find(qn('w:pPr'))
                if prev_pPr:
                    prev_numPr = prev_pPr.find(qn('w:numPr'))
                    if prev_numPr:
                        prev_numId = prev_numPr.find(qn('w:numId'))
                        prev_ilvl = prev_numPr.find(qn('w:ilvl'))
                        if prev_numId and prev_ilvl:
                            if int(prev_numId.get(qn('w:val'))) == num_id and int(prev_ilvl.get(qn('w:val'))) == parent_ilvl:
                                parent_num = get_paragraph_number(prev_para).rstrip('.')
                                break
            return f"{parent_num}.{count}."
    return ""

doc = Document('my_file.docx')
for para in doc.paragraphs:
    num_text = get_paragraph_number(para)
    print(f"{num_text}{para.text}")

2. 可用的Python库或工具 #

• python-docx：通过上述底层XML访问方式实现，无需额外安装其他库。
• pandoc：非纯Python库，但可通过subprocess调用，将DOCX转换为Markdown（会完整保留多级编号），再解析Markdown文本：

  import subprocess
  import os
  
  def docx_to_markdown(docx_path):
        md_path = docx_path.replace('.docx', '.md')
        subprocess.run(['pandoc', '-s', docx_path, '-o', md_path], check=True)
        with open(md_path, 'r', encoding='utf-8') as f:
            md_text = f.read()
        os.remove(md_path)
        return md_text
  
  print(docx_to_markdown('my_file.docx'))
  

  需提前安装pandoc（通过官网下载或包管理器安装）。

3. 中间步骤或格式转换方案 #

如果纯Python方法复杂度较高，可采用以下转换方式：

• DOCX转Markdown：用pandoc转换后，Markdown的列表编号会被完整保留，再通过markdown等Python库提取文本和编号。
• DOCX转ODT：部分工具对ODT的编号解析更友好，转换后使用python-odf库提取带编号的文本。

内容的提问来源于stack exchange，提问作者Anshuman Sharma