Word Reader
v1.0.0读取 Word 文档（.docx 和 .doc 格式）并提取文本内容。支持文档解析、表格提取、图片处理等功能。使用当用户需要分析 Word 文档内容、提取文本信息或批量处理文档时。
by 运行时依赖
安装命令
点击复制技能文档
Word 文档读取器
使用 Python 解析 Word 文档，提取文本内容和结构化信息。
支持的功能 文档文本提取 - 提取段落、标题、页眉页脚内容 表格解析 - 读取表格数据并转换为结构化格式 图片处理 - 提取文档中的图片信息 元数据获取 - 读取文档属性（作者、标题、创建时间等） 批量处理 - 支持处理多个文档 用法 基本文本提取 python3 {baseDir}/scripts/read_word.py <文件路径>
指定输出格式 # JSON 输出 python3 {baseDir}/scripts/read_word.py <文件路径> --格式化 json
# 纯文本输出 python3 {baseDir}/scripts/read_word.py <文件路径> --格式化 text
# Markdown 格式 python3 {baseDir}/scripts/read_word.py <文件路径> --格式化 markdown
提取特定内容 # 只提取文本 python3 {baseDir}/scripts/read_word.py <文件路径> --提取 text
# 提取表格数据 python3 {baseDir}/scripts/read_word.py <文件路径> --提取 tables
# 获取文档元数据 python3 {baseDir}/scripts/read_word.py <文件路径> --提取 metadata
批量处理 # 处理目录下所有 .docx 文件 python3 {baseDir}/scripts/read_word.py <目录路径> --batch
参数说明 参数 说明 默认值 --格式化 输出格式（json/text/markdown） text --提取 提取内容类型（text/tables/images/metadata/all） all --batch 批量处理模式 false --输出 输出文件路径 stdout --encoding 文本编码（utf-8/gb2312） utf-8 输出格式 JSON 格式 { "metadata": { "title": "文档标题", "author": "作者姓名", "创建d": "2024-01-01T10:00:00", "modified": "2024-01-01T12:00:00" }, "text": "文档全文内容...", "tables": [ [ ["表头1", "表头2"], ["行1列1", "行1列2"], ["行2列1", "行2列2"] ] ], "images": [ { "filename": "image1.png", "description": "图片描述", "size": "1024x768" } ] }
Markdown 格式 # 文档标题
作者：作者姓名 创建时间：2024-01-01 10:00:00
正文内容
这是文档的正文内容...
表格示例
| 表头1 | 表头2 |
|---|---|
| 行1列1 | 行1列2 |
| 行2列1 | 行2列2 |
图片列表
- image1.png (1024x768) - 图片描述
错误处理 文件不存在：显示错误信息并退出 格式不支持：提示支持的文件类型 权限问题：提示文件访问权限 编码问题：尝试自动检测编码 示例场景
- 查看项目文档
- 提取会议记录
- 批量处理文档
注意事项 支持 .docx 格式（Office 2007+） .doc 格式需要额外依赖（如 antiword） 大文档处理可能需要较长时间 图片提取仅获取元数据，不包含实际图片数据 表格格式可能需要手动调整 故障排除 常见问题 模块NotFoundError: 确保已安装 python-docx 权限Error: 检查文件读取权限 UnicodeDecodeError: 尝试不同的编码格式 安装依赖 pip3 安装 python-docx
对于 .doc 格式支持：
# Ubuntu/Debian sudo apt-获取 安装 antiword
# macOS brew 安装 antiword
高级功能 自定义样式处理
脚本会自动处理以下文档元素：
标题级别（H1-H6） 段落样式 列表项目 页眉页脚 文档属性 性能优化 大文件流式处理 内存使用优化 进度显示（批量模式）