如何在Node.js中使用axios读取URL指向的docx文件

核心依赖说明 #

处理docx文件不需要手动解析压缩包结构，直接使用成熟解析库即可：

• axios：用于发起HTTP请求拉取远程文件
• mammoth：专门用于解析.docx格式文件，支持提取纯文本/保留基础格式内容，轻量无额外系统依赖
• 如需兼容旧版.doc（Word 97-2003格式），额外使用textract做统一解析即可，它会自动识别文件格式匹配解析逻辑

首先安装基础依赖：

npm install axios mammoth

读取URL指向docx文件并提取文本的实现 #

最容易踩的坑是拉取二进制文件时没指定响应类型，导致文件内容被编码损坏，核心实现代码如下：

const axios = require('axios');
const mammoth = require('mammoth');

async function fetchDocxText(docxUrl) {
  // 拉取远程文件，必须指定responseType为arraybuffer
  const res = await axios.get(docxUrl, {
    responseType: 'arraybuffer',
    timeout: 10000
  });
  // 转成Node.js原生Buffer供解析库使用
  const docxBuffer = Buffer.from(res.data);
  // 提取纯文本，需要保留基础格式可替换为convertToHtml方法
  const parseResult = await mammoth.extractRawText({ buffer: docxBuffer });
  return parseResult.value;
}

// 调用示例
(async () => {
  const text = await fetchDocxText('替换成你的目标docx文件URL');
  console.log('提取结果：', text);
})();

兼容.doc/.docx全版本Word文件的方案 #

mammoth仅支持2007版之后的docx格式，如果要处理任意版本的Word文件，用textract做解析层即可。
先安装对应依赖：

npm install axios textract

实现代码：

const axios = require('axios');
const textract = require('textract');

function fetchAnyWordText(wordUrl) {
  return new Promise(async (resolve, reject) => {
    try {
      const res = await axios.get(wordUrl, {
        responseType: 'arraybuffer',
        timeout: 15000
      });
      const fileBuffer = Buffer.from(res.data);
      // 基于响应头的content-type自动匹配解析规则
      textract.fromBufferWithMime(
        res.headers['content-type'],
        fileBuffer,
        (parseErr, text) => {
          if (parseErr) return reject(new Error(`文件解析失败：${parseErr.message}`));
          resolve(text);
        }
      );
    } catch (requestErr) {
      reject(new Error(`文件拉取失败：${requestErr.message}`));
    }
  });
}

// 调用示例
(async () => {
  const text = await fetchAnyWordText('替换成你的目标doc/docx文件URL');
  console.log('提取结果：', text);
})();

常见注意点 #

• 拉取二进制文件时必须将axios的responseType配置为arraybuffer，否则二进制内容会被默认按UTF-8转码导致文件损坏，90%以上的解析乱码、文件损坏问题都是这个配置缺失导致的
• 拉取需要鉴权的私有文件时，在axios配置的headers字段里带上对应的token、cookie等鉴权信息，否则会拿到权限校验的错误页面，不是真实文件内容
• 部署到Linux环境处理.doc格式文件时，需要提前通过系统包管理器安装antiword依赖，否则textract无法解析旧版doc文件
• 超过50M的大文件建议改用axios流式响应配合解析库的流式处理接口，避免全量加载到内存导致服务OOM

内容的提问来源于stack exchange，提问作者Bhupender