使用python-docx读取表格单元格时文本异常缺失的问题求助

问题背景 #

使用python-docx读取40MB Word文档的表格单元格时，出现文本丢失情况：原单元格内容为(3.4.2:2) WCS allows an...，但通过基础代码输出变为(:) WCS allows an...。拆分文档后问题依旧，仅个别单元格出现该情况，未发现明确触发规律。

基础代码如下：

from docx import Document
import re

wordDoc = Document('./mydoc.docx')
for table in wordDoc.tables:
    for row in table.rows:
        for cell in row.cells:
            print(cell.text)

可能原因 #

• 目标单元格内的数字部分属于域代码（如交叉引用、自动编号），python-docx的cell.text方法无法正确解析这类特殊内容，仅读取了域的占位符或未更新的结果
• 单元格文本被Word的格式引擎拆分为多个独立文本块（run），cell.text在拼接过程中遗漏了部分内容

解决方案 #

1. 遍历单元格内所有文本块拼接完整内容 #

绕过cell.text，直接遍历单元格内的段落和run，手动拼接文本：

from docx import Document

wordDoc = Document('./mydoc.docx')
for table in wordDoc.tables:
    for row in table.rows:
        for cell in row.cells:
            full_content = ""
            for para in cell.paragraphs:
                for run in para.runs:
                    full_content += run.text
            print(full_content)

2. 更新文档域代码 #

如果是域代码导致的问题，先手动更新Word文档的所有域：

• 全选文档内容（Ctrl+A）
• 按F9键更新所有域
• 保存文档后再用代码读取

3. 排查文档格式损坏 #

将有问题的单元格内容复制到空白Word文档，用代码测试读取。若新文档读取正常，说明原单元格存在隐藏格式损坏，可通过重新编辑该单元格修复。

结论 #

该问题并非python-docx的通用Bug（仅个别单元格出现异常），更可能是文档内的特殊格式或未更新的域代码导致的读取异常。优先尝试方案1的代码，若无效再排查文档的域和格式问题。

内容的提问来源于stack exchange，提问作者Silent-stream