使用docx将Word转文本后，能否提取位置不固定的指定前缀字符串？

使用python-docx将Word文档转成纯文本后，完全可以检索到位置不固定、仅带固定前缀Amount:的金额字段，不需要依赖字段在文档里的固定位置索引。

1. 全量提取文档文本 #

不要只扫正文段落，避免漏内容，把所有可能存文本的节点都扫一遍拼成完整长字符串：

• 先遍历所有普通段落，提取段落文本
• 再遍历文档内所有表格的单元格，提取单元格内的文本，这部分是最容易漏的，大部分带金额的正式文档都会把数值放在表格里
• 有特殊需求的话，额外加扫页眉、页脚、文本框内的文本，常规场景可以先不做

对应参考代码：

from docx import Document

def get_doc_full_text(file_path):
    doc = Document(file_path)
    text_parts = []
    # 提取普通段落内容
    for para in doc.paragraphs:
        text_parts.append(para.text)
    # 提取表格内内容
    for table in doc.tables:
        for row in table.rows:
            for cell in row.cells:
                text_parts.append(cell.text)
    return "\n".join(text_parts)

2. 全局匹配目标金额 #

用正则表达式对拼好的长文本做全局扫描，不需要管Amount:出现在什么位置，正则会自动找出所有符合规则的片段：

• 匹配规则兼容Amount:后面可能出现的空格、千分位逗号、小数位，避免因为格式小差异漏匹配
• 提取到结果后可以直接转成数值类型方便后续统计

对应参考代码：

import re

def match_amounts(full_text):
    # 规则说明：匹配Amount:后0到多个空格，再匹配带千分位、可选小数位的数字
    match_pattern = r"Amount:\s*([\d,]+\.?\d*)"
    raw_results = re.findall(match_pattern, full_text)
    # 去掉千分位逗号，转成浮点型数值
    final_amounts = [float(item.replace(",", "")) for item in raw_results]
    return final_amounts

3. 批量处理多文档 #

写个循环遍历所有待处理的Word文件路径，逐个调用上面两个函数即可，遇到损坏、打不开的文件单独记日志，不要中断整个批量任务。

踩坑提醒：如果测试时发现有金额漏提取，先检查对应金额是不是在文本框、页眉页脚、嵌入对象里，这类内容python-docx默认不会扫到，需要额外解析对应XML节点才能拿到，普通业务场景下段落+表格的提取覆盖率能到95%以上。

内容的提问来源于stack exchange，提问作者Ben