如何用Python docx模块识别并处理DOCX文件中的文本、表格与图片？

以下是基于python-docx模块的完整解决方案，能同时处理文本段落、图片和表格：

完整代码实现 #

from docx import Document

doc = Document('SomeDoc.docx')

# 遍历处理段落（包含文本和嵌入图片）
for para in doc.paragraphs:
    # 检查段落是否包含内嵌图片
    if para.inline_shapes:
        print('IMAGE')
    # 打印段落文本（跳过空文本段落）
    text_content = para.text.strip()
    if text_content:
        print(text_content)

# 遍历处理表格
for table in doc.tables:
    print('表格内容：')
    for row in table.rows:
        # 拼接每行单元格内容，用制表符分隔
        row_content = '\t'.join(cell.text.strip() for cell in row.cells)
        print(row_content)

# 可选：处理浮动图片（不嵌入段落的图片）
for shape in doc.shapes:
    # shape_type=13代表图片类型
    if shape.shape_type == 13:
        print('IMAGE（浮动）')

关键说明 #

1. 图片识别：

   • 内嵌图片（和文本在同一段落）通过段落的inline_shapes属性判断，只要该列表不为空，即说明段落包含图片。
   • 浮动图片（独立于段落的图片）通过文档的shapes集合遍历，判断shape_type是否为13（DOCX中图片的类型标识）。

2. 表格内容提取：

   • 通过doc.tables获取文档中所有表格，遍历每行的单元格，拼接单元格文本实现表格内容的打印。

3. 原代码不足：

   • 仅遍历了doc.paragraphs，遗漏了表格和段落内的图片元素，因此无法识别图片和提取表格内容。

内容的提问来源于stack exchange，提问作者Karel CZ