如何在Python 3中提取docx文件段落并存储为变量或列表？

方法一：使用textract提取文本后拆分 #

1. 安装依赖
   确保已安装textract，终端执行：

   pip install textract
   

   若遇到docx处理相关报错，可额外安装python-docx：

   pip install python-docx
   

2. 提取并拆分段落
   textract提取的纯文本中，DOCX的段落分隔通常对应\n\n（两个换行符），以此为分隔符拆分即可，同时过滤掉空段落：

   import textract
   
   # 读取文件并解码为字符串
   raw_text = textract.process("你的文档路径.docx").decode("utf-8")
   
   # 拆分段落并清理空白内容
   paragraph_list = [para.strip() for para in raw_text.split("\n\n") if para.strip()]
   
   # 验证结果
   for num, para in enumerate(paragraph_list, 1):
       print(f"段落 {num}:\n{para}\n")
   

方法二：直接用python-docx操作文档结构（更精准） #

如果需要更准确地获取段落，推荐直接使用python-docx库，它能直接访问DOCX文档的段落对象，避免文本提取时的分隔符识别误差：

1. 安装库

   pip install python-docx
   

2. 提取段落

   from docx import Document
   
   doc = Document("你的文档路径.docx")
   # 遍历所有段落，提取非空文本
   paragraph_list = [para.text.strip() for para in doc.paragraphs if para.text.strip()]
   
   # 查看结果
   for num, para in enumerate(paragraph_list, 1):
       print(f"段落 {num}:\n{para}\n")
   

说明 #

• 方法一适合快速提取纯文本后拆分，但若文档有复杂格式（如表格、手动换行），可能出现分隔符识别不准的情况。
• 方法二直接基于DOCX的原生文档结构，能精准获取每个段落，是更可靠的方案。

内容的提问来源于stack exchange，提问作者Swapnil MIB