使用Python修复Word文档document.xml的&符号解析错误

由于原生成的document.xml包含未转义的&符号，属于不合法XML，无法用常规XML解析库读取，直接以文本方式修改是最直接的方案。以下是基于Python zipfile模块的实现步骤：

核心思路 #

绕开XML解析，直接操作Docx压缩包内的document.xml文件：

• 将Docx当作ZIP压缩包处理
• 读取document.xml文本内容，替换未转义的&为&（避免重复转义已合法的&）
• 将修改后的内容写回压缩包

代码实现 #

import zipfile
import re
import shutil

def fix_docx_ampersand(docx_path, output_path=None):
    # 备份原文件（可选但建议）
    if not output_path:
        output_path = docx_path.replace('.docx', '_fixed.docx')
    shutil.copyfile(docx_path, output_path)

    # 打开目标Docx压缩包
    with zipfile.ZipFile(output_path, 'a') as zf:
        # 读取document.xml内容
        with zf.open('word/document.xml', 'r') as f:
            content = f.read().decode('utf-8')
        
        # 替换未转义的&：只替换不是&开头的&
        fixed_content = re.sub(r'&(?!amp;)', r'&', content)
        
        # 将修改后的内容写回压缩包（覆盖原文件）
        zf.writestr('word/document.xml', fixed_content.encode('utf-8'))

# 使用示例
fix_docx_ampersand('problematic.docx')

关键细节说明 #

• 使用re.sub(r'&(?!amp;)', ...)确保不会把已经正确转义的&再次替换成&
• 用zipfile.ZipFile的a模式（追加/修改模式）打开，直接覆盖原有document.xml
• 先复制原文件到输出路径，避免修改过程中损坏原始文档

扩展提示 #

如果发现Docx内其他XML文件（如footnotes.xml、endnotes.xml）也存在同样问题，只需在代码中添加对应文件路径的处理逻辑即可。

内容的提问来源于stack exchange，提问作者Chris Laffin