如何用Python提取Word文档中带多级嵌套的目录结构？

核心思路 #

利用python-docx读取文档段落的内置标题样式级别，通过栈结构动态维护当前层级的嵌套关系，自动适配任意深度的标题层级，彻底解决深层嵌套无法识别的问题。

实现代码 #

from docx import Document

def extract_nested_headings(doc_path):
    doc = Document(doc_path)
    headings = []
    stack = []
    
    for para in doc.paragraphs:
        # 仅识别内置标题样式（Heading 1至Heading 9）
        if not para.style.name.startswith('Heading'):
            continue
        
        try:
            level = int(para.style.name.split()[-1])
        except (IndexError, ValueError):
            continue  # 跳过非标准命名的标题样式
        
        title_text = para.text.strip()
        if not title_text:
            continue
        
        current_node = {'title': title_text, 'children': []}
        
        # 调整栈深度，匹配当前标题的父层级
        while stack and stack[-1]['level'] >= level:
            stack.pop()
        
        if stack:
            stack[-1]['node']['children'].append(current_node)
        else:
            headings.append(current_node)
        
        stack.append({'level': level, 'node': current_node})
    
    return headings

# 使用示例
if __name__ == '__main__':
    result = extract_nested_headings('target_doc.docx')
    import json
    print(json.dumps(result, ensure_ascii=False, indent=2))

代码说明 #

• 样式识别逻辑：通过段落样式名判断是否为标题，提取末尾数字作为层级，兼容所有内置标题层级（1-9级）
• 栈结构作用：栈中存储当前路径的层级与对应节点，遇到更低层级时弹出栈顶元素，直到找到当前标题的父节点，确保嵌套关系正确
• 鲁棒性处理：跳过空标题、非标准标题样式，避免无效数据干扰结果
• 无层级限制：不受固定层级数约束，无论文档标题嵌套多深都能正确解析

注意事项 #

• 必须确保文档中的标题是通过Word内置标题样式设置的，而非手动调整字体格式，否则无法识别层级
• 若使用自定义标题样式，需修改para.style.name的判断逻辑，比如匹配自定义样式名中的层级标识（如"MyHeading-3"中的数字3）

内容的提问来源于stack exchange，提问作者Daniel