如何从Word文档中提取带文件名的嵌入式纯文本文件？

方法一：Python脚本解析（推荐，无需VBA） #

Docx本质是ZIP压缩包，其中word/embeddings/下的.bin文件是OLE格式容器，包含嵌入的文本内容和原文件名。可以通过olefile库解析这些容器：

步骤： #

1. 安装依赖库：

pip install olefile

2. 运行以下脚本：

import zipfile
import olefile
import os

def extract_embedded_text(docx_path, output_dir):
    os.makedirs(output_dir, exist_ok=True)
    
    with zipfile.ZipFile(docx_path, 'r') as zf:
        for entry in zf.infolist():
            if entry.filename.startswith('word/embeddings/') and entry.filename.endswith('.bin'):
                with zf.open(entry) as f:
                    bin_data = f.read()
                
                if olefile.isOleFile(bin_data):
                    with olefile.OleFileIO(bin_data) as ole:
                        for stream in ole.listdir():
                            if stream[0] == 'Package':
                                # 获取原文件名，失败则用bin文件名替换后缀
                                try:
                                    filename = ole.get_metadata().filename
                                except:
                                    filename = os.path.basename(entry.filename).replace('.bin', '.txt')
                                
                                text_content = ole.openstream(stream).read().decode('utf-8', errors='ignore')
                                output_path = os.path.join(output_dir, filename)
                                
                                with open(output_path, 'w', encoding='utf-8') as out_f:
                                    out_f.write(text_content)
                                print(f"已提取：{filename}")

# 替换为你的docx路径和输出目录
extract_embedded_text("你的文档.docx", "提取结果")

方法二：LibreOffice GUI操作（无需编程） #

适合不想写代码的场景：

• 用LibreOffice Writer打开目标docx文件
• 逐个选中嵌入式文本文件，右键选择保存副本，系统会自动保留原文件名
• 若嵌入文件较多，可使用LibreOffice宏批量处理（但效率不如Python脚本）

方法三：改进POI的Java实现 #

如果需要在Java环境下处理，需用POIFSFileSystem解析OLE格式的.bin文件，而不是直接读取ZipPackagePart内容：

import org.apache.poi.poifs.filesystem.POIFSFileSystem;
import org.apache.poi.openxml4j.opc.OPCPackage;
import org.apache.poi.openxml4j.opc.PackagePart;

import java.io.*;
import java.util.List;

public class ExtractEmbeddedTxt {
    public static void main(String[] args) throws Exception {
        String docxPath = "你的文档.docx";
        String outputDir = "提取结果";
        new File(outputDir).mkdirs();

        try (OPCPackage pkg = OPCPackage.open(new File(docxPath))) {
            List<PackagePart> embedParts = pkg.getPartsByNameRegex("/word/embeddings/.*\\.bin");
            for (PackagePart part : embedParts) {
                try (InputStream is = part.getInputStream();
                     POIFSFileSystem poifs = new POIFSFileSystem(is)) {
                    // 获取原文件名，为空则用bin文件名替代
                    String filename = null;
                    if (poifs.getRoot().getDocumentSummaryInformation() != null) {
                        filename = poifs.getRoot().getDocumentSummaryInformation().getFileName();
                    }
                    if (filename == null || filename.isEmpty()) {
                        filename = part.getPartName().getName().substring(part.getPartName().getName().lastIndexOf('/') + 1).replace(".bin", ".txt");
                    }
                    
                    try (InputStream txtIs = poifs.createDocumentInputStream("Package");
                         BufferedReader br = new BufferedReader(new InputStreamReader(txtIs, "UTF-8"));
                         BufferedWriter bw = new BufferedWriter(new FileWriter(new File(outputDir, filename)))) {
                        String line;
                        while ((line = br.readLine()) != null) {
                            bw.write(line);
                            bw.newLine();
                        }
                        System.out.println("已提取：" + filename);
                    }
                }
            }
        }
    }
}

内容的提问来源于stack exchange，提问作者Liam lin