学习笔记：python读取word文字标题

读取word文字标题

1. 导入模块

• 
• 模块选择：使用python-docx模块处理Word文档，需从docx导入Document类
• 版本注意：当前仅支持docx新版本，不再支持老版本doc格式

2. 安装模块

• 
• 安装命令：使用pip install python-docx安装，注意不是直接安装docx模块
• 依赖关系：会自动安装lxml依赖库（版本需≥2.3.2）
• 镜像源：默认使用清华镜像源加速下载，网络问题可能导致超时

3. 创建文件对象

• 
• 文档结构：示例文档包含一级标题、二级标题、三级标题和正文内容
• 文件操作：
  • 打开文件：doc = Document('1.docx')创建文档对象
  • 样式导入：需从docx.enum.style导入WD_STYLE_TYPE枚举类

4. 读取一级标题

• 
• 核心方法：遍历doc.paragraphs获取所有段落
• 样式判断：通过paragraph.style.name == 'Heading 1'识别一级标题
• 内容获取：使用paragraph.text获取标题文本内容

5. 读取所有标题

• 
• 正则应用：使用re.match(r'Heading\d+$')匹配所有标题样式
• 匹配模式：Heading后接数字表示标题级别（如Heading1/2/3）
• 效率优化：避免多次遍历文档，可合并标题判断逻辑

6. 读取正文内容

• 
• 样式标识：正文样式名为'Normal'（注意首字母大写）
• 内容特点：可能包含多段重复文本，需注意换行处理
• 扩展应用：同样方法可处理页眉页脚等特殊段落

7. 读取样式名称

• 
• 样式遍历：通过doc.styles获取文档所有样式
• 类型过滤：使用WD_STYLE_TYPE.PARAGRAPH筛选段落样式
• 输出内容：包含Normal（正文）和Heading 1/2/3（标题）等样式名

8. 内容总结

• 
• 核心要点：
  • 标题识别依赖样式名称规范（Heading+数字）
  • 正文内容必须通过Normal样式获取
  • 样式系统包含更多元素（列表、页眉页脚等）
• 注意事项：Word操作API缺乏智能提示，需准确记忆样式名称
• 扩展建议：可结合正则表达式实现更复杂的文本提取逻辑

总结：

知识点	核心内容	考试重点/易混淆点	难度系数
Python操作Word文档	使用python-docx模块读取Word文档内容	模块安装注意：需安装paddle-docx而非直接安装docx	⭐⭐
标题读取方法	通过paragraph.style.name属性判断标题级别（Heading 1/2/3）	新旧版本兼容性：仅支持docx格式，不支持老版doc	⭐⭐
正文内容提取	使用normal样式标识正文段落	样式名称必须完全匹配（区分大小写）	⭐
标题类型枚举	通过wd.STYLE_TYPE获取文档包含的所有标题类型	需配合docx.enum.style枚举使用	⭐⭐⭐
正则表达式匹配	使用re.match()实现多级标题批量提取	模式字符串需包含Heading\s\d+结构	⭐⭐⭐
文档对象模型	Document.paragraphs属性获取所有段落对象	注意段落对象无智能提示特性	⭐⭐