使用Python docx2txt读取docx文件时如何获取对应内容的页码？

1. docx2txt是否支持获取页码？ #

不支持。
docx2txt是轻量级纯文本提取工具，设计逻辑仅抽取docx内的文本内容，完全不处理排版、布局相关的元数据。另外docx格式本身不会预先存储页码，页码是Word等编辑器运行时结合页面大小、字体、行间距、插入元素等规则动态计算生成的，docx2txt没有实现排版计算能力，因此无法通过docx2txt.process()获取内容对应的页码。

2. 可行替代方案 #

方案1：docx转PDF后提取（最推荐，准确率最高） #

PDF会固定所有排版信息，页码完全确定，提取的页码准确性最高。
操作步骤：

1. 先将docx转为PDF：Windows环境可调用win32com实现，跨平台可调用LibreOffice命令行转换
2. 使用pdfplumber库提取带页码的文本，示例代码如下：

import pdfplumber

def get_text_with_page(pdf_path):
    page_content = []
    with pdfplumber.open(pdf_path) as pdf:
        # 页码从1开始计数
        for page_idx, page in enumerate(pdf.pages, start=1):
            text = page.extract_text()
            if text:
                page_content.append({
                    "page_num": page_idx,
                    "content": text
                })
    return page_content

方案2：使用Aspose.Words for Python直接读取 #

该库内置排版计算逻辑，可通过LayoutCollector组件直接获取每个段落、元素对应的页码，无需格式转换，示例代码如下：

import aspose.words as aw

# 加载docx文件
doc = aw.Document("your_file.docx")
# 初始化布局收集器
layout_collector = aw.layout.LayoutCollector(doc)

# 遍历所有段落获取对应页码
for paragraph in doc.get_child_nodes(aw.NodeType.PARAGRAPH, True):
    current_page = layout_collector.get_start_page_index(paragraph)
    para_text = paragraph.get_text().strip()
    if para_text:
        print(f"页码{current_page}：{para_text}")

注意：该库为商用工具，免费使用会在输出内容中添加水印，商用场景需购买官方授权。

方案3：基于python-docx手动计算页码（仅适合极简单文档） #

python-docx可读取文档的页面设置、段落样式、字体、行间距等参数，你可以自行计算每页可容纳的字符数来推导内容页码，但如果文档包含图片、表格、分栏、手动分页符等复杂元素，计算误差会非常大，仅适合纯文本、格式完全统一的简单文档。

内容的提问来源于stack exchange，提问作者Tiago Bachiega de Almeida