document.xml 是 DOCX 文件 ZIP 包中存储文档主体结构化内容的 XML 文件，位于 word/document.xml 路径，含段落、文本、样式引用等，但不含图片、元数据及页眉页脚等内容。
document.xml 是什么
document.xml 是一个 ZIP 压缩包内部的 XML 文件，位于 DOCX 文件的 word/document.xml 路径下。DOCX 本质上是多个 XML、rels、media 等文件组成的 ZIP 包，document.xml 存储了文档主体的结构化内容（段落、文字、样式引用等），但不包含二进制资源（如图片）或元数据（如作者、修改时间）。
它不是纯文本，而是带命名空间的 XML，含大量 w:t（文本节点）、w:tab、w:br、w:hyperlink 等元素，且文本常被拆散在多个 w:t 下（尤其含格式变化时）。
直接解压 + 解析 document.xml 提取文本
手动提取可行，但要注意以下几点：
- 必须先用 ZIP 工具解压 DOCX（DOCX 就是 ZIP，可直接改后缀为
.zip解压） - 不要依赖正则匹配文本，必须用 XML 解析器（如 Python 的
xml.etree.ElementTree或lxml） - 必须处理命名空间：
{https://www./link/0f18e4824fc601cd270a4d31b084bb5d}，否则find('w:t')找不到节点 - 需合并连续的
w:t（同一段落内可能有多个，中间夹着w:tab或w:br）
import zipfile from xml.etree import ElementTree as ETdef extract_text_from_document_xml(docx_path): with zipfile.ZipFile(docx_path) as docx: with docx.open('word/document.xml') as f: tree = ET.parse(f) root = tree.getroot() ns = {'w': 'https://www./link/0f18e4824fc601cd270a4d31b084bb5d'}
text_parts = [] for t in root.findall('.//w:t', ns): if t.text: text_parts.append(t.text) return ''.join(text_parts)示例调用
print(extract_text_from_document_xml('example.docx'))
为什么不用正则或字符串替换
document.xml中文本可能被 CDATA 包裹（如含特殊字符）w:t可能为空，或仅含空格，或嵌套在
w:instrText（字段代码）中，误提取会导致乱码或错误内容- 表格、文本框、页眉页脚的内容不在
document.xml，而在word/document.xml的子结构或单独文件（如word/header1.xml）中- 样式信息（加粗、颜色）不参与文本提取，但若需保留结构（如标题层级），就得解析
w:pStyle和w:pPr更可靠的做法：用专业库替代手撕 XML
直接解析
document.xml容易漏内容、难维护。实际项目中应优先使用成熟库：
- Python 推荐
python-docx：自动处理命名空间、段落/表格/列表/页眉页脚，还能读写 - Node.js 推荐
mammoth：专注从 DOCX 提取语义 HTML 或纯文本，对复杂格式鲁棒性好 - Java 推荐
Apache POI：支持低层 XML 访问，也提供高阶 API
# python-docx 示例（比手撕 XML 稳定得多） from docx import Documentdoc = Document('example.docx') full_text = [] for para in doc.paragraphs: full_text.append(para.text) for table in doc.tables: for row in table.rows: for cell in row.cells: for para in cell.paragraphs: full_text.append(para.text) print('\n'.join(full_text))
真正容易被忽略的是：DOCX 中的文本分散在至少 5 个位置——document.xml、header.xml、footer.xml、footnotes.xml、endnotes.xml。只读 document.xml 就像只看主菜不吃配菜，看起来完整，其实漏了关键部分。
