使用python-docx提取docx文本时大小写混淆问题求助

问题原因 #

你遇到的情况核心原因是：原文档里的“大写显示”并非字符本身是大写，而是通过Word的**字体格式（全部大写/小型大写）**实现的。python-docx的paragraph.text提取的是文档底层存储的原始文本，而非应用格式后的显示效果，所以会出现原显示大写、提取后变小写的情况。

比如你示例中的ПОРЯ́ДОК，在Word里大概率是选中Поря́док后设置了“全部大写”格式——底层文本仍然是Поря́док，但Word通过格式让它显示为大写，提取时自然拿到原始的大小写混合文本。

验证方法 #

打开原docx文档，选中那个显示为大写的文本，右键选择「字体」，查看「效果」区域是否勾选了「全部大写」或「小型大写字母」。如果是，就确认是这个问题。

解决办法 #

要提取符合显示效果的文本，需要遍历段落中的每个run（Word中一段文本可能由多个不同格式的片段组成），检查每个run的字体格式后再转换文本：

from docx import Document

def get_display_text(doc):
    full_content = []
    for paragraph in doc.paragraphs:
        para_content = []
        for run in paragraph.runs:
            current_text = run.text
            # 处理全部大写格式
            if run.font.all_caps:
                current_text = current_text.upper()
            # 若需要处理小型大写，可根据需求调整，俄语场景下一般直接转大写即可
            para_content.append(current_text)
        full_content.append(''.join(para_content))
    return '\n'.join(full_content)

# 使用示例
doc = Document("你的文档路径.docx")
display_text = get_display_text(doc)
print(display_text)

如果原文档中是手动输入的大写字符，paragraph.text会直接提取到大写，不需要额外处理。

内容的提问来源于stack exchange，提问作者Eugen