Python从Word提取邮箱返回空值，表格内邮箱未提取如何解决？

核心问题 #

你的代码只提取了Word文档中的普通段落文本，完全没有处理文档内的表格内容。wordDoc.paragraphs仅包含文档里的常规段落，表格单元格中的内容不会被这个属性捕获，所以邮箱自然不会出现在documentText里。

修改后的代码 #

import pandas as pd
from docx import Document
import os
import re

os.chdir('C:\\Users\\user1\\test')
path = 'C:\\Users\\user1\\test'
output_path = 'C:\\Users\\user1\\test1'
writer = pd.ExcelWriter('{}/docx_emails.xlsx'.format(output_path), engine='xlsxwriter')

data = []  

# 优化后的邮箱正则，覆盖更多合法格式
regex = re.compile(r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}')

for filename in os.listdir(path):
    # 仅处理docx格式文件，避免无效文件干扰
    if not filename.endswith('.docx'):
        continue
    wordDoc = Document(os.path.join(path, filename))
    documentText = []
    
    # 提取普通段落文本
    for p in wordDoc.paragraphs:
        documentText.append(p.text)
    
    # 提取表格内所有单元格的文本
    for table in wordDoc.tables:
        for row in table.rows:
            for cell in row.cells:
                documentText.append(cell.text)
    
    # 合并文本并匹配邮箱，同时去重
    full_text = '\n'.join(documentText)
    matches = regex.findall(full_text)
    unique_matches = list(set(matches))
    data.append(unique_matches)
    
df = pd.DataFrame(data)
df.to_excel(writer)
writer.save()

print(df)

关键修改说明 #

• 新增表格遍历逻辑：通过wordDoc.tables获取所有表格，逐层遍历行和单元格，将单元格文本纳入提取范围
• 增加文件格式过滤：只处理.docx后缀的文件，避免读取非Word文件引发错误
• 优化正则表达式：更贴合RFC标准的邮箱格式，减少漏匹配情况
• 结果去重：用集合去重同一文档内的重复邮箱，避免数据冗余

额外验证点 #

如果修改后仍未提取到邮箱，可做以下检查：

• 确认目标Word文档中的邮箱是纯文本格式，而非图片或嵌入对象（图片中的邮箱需要OCR识别，当前代码无法处理）
• 打印full_text变量，查看是否包含邮箱内容，排查是否为正则表达式的匹配问题

内容的提问来源于stack exchange，提问作者AJenkins