DOCX文件遵循Open XML规范，本质是一个ZIP压缩包，解压后可以看到内部包含word、_rels、docProps等多个目录和文件，所有文档内容都以XML格式存储在这些文件中。理解这个结构是从中提取数据的基础。
DOCX的XML结构核心组成
解压DOCX文件后，核心的XML文件分布在以下几个位置：
- word/document.xml：存储文档的正文内容，包括段落、文本、表格、图片引用等核心信息
- word/styles.xml：存储文档的样式定义，比如标题样式、正文样式、字体格式等
- docProps/core.xml：存储文档的元数据，比如作者、创建时间、修改时间、标题等
- word/rels/document.xml.rels：存储document.xml中引用的外部资源的映射关系，比如图片的实际存储路径
- word/media/：存储文档中嵌入的图片、媒体文件等二进制资源
提取数据的基本思路
从DOCX的XML结构中提取数据通常分为三个步骤：
- 将DOCX文件作为ZIP压缩包解压，获取内部的XML文件路径
- 根据要提取的数据类型，定位到对应的XML文件
- 解析目标XML文件，按照XML的节点规则提取所需的内容
Python实现数据提取示例
提取文档正文文本
使用Python的zipfile模块解压DOCX，再用xml.etree.ElementTree解析XML内容：
import zipfile
import xml.etree.ElementTree as ET
def extract_docx_text(docx_path):
# 解压DOCX文件
with zipfile.ZipFile(docx_path, 'r') as zip_ref:
# 读取document.xml内容
xml_content = zip_ref.read('word/document.xml')
# 解析XML
root = ET.fromstring(xml_content)
# Word XML的命名空间
ns = {'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'}
# 查找所有文本节点
text_nodes = root.findall('.//w:t', ns)
# 拼接所有文本内容
full_text = ''.join([node.text for node in text_nodes if node.text])
return full_text
# 调用示例
if __name__ == '__main__':
result = extract_docx_text('test.docx')
print(result)
提取文档元数据
元数据存储在docProps/core.xml中，解析方式类似：
import zipfile
import xml.etree.ElementTree as ET
def extract_docx_metadata(docx_path):
with zipfile.ZipFile(docx_path, 'r') as zip_ref:
xml_content = zip_ref.read('docProps/core.xml')
root = ET.fromstring(xml_content)
# 核心属性命名空间
ns = {'cp': 'http://schemas.openxmlformats.org/package/2006/metadata/core-properties',
'dc': 'http://purl.org/dc/elements/1.1/',
'dcterms': 'http://purl.org/dc/terms/'}
metadata = {}
# 提取作者
creator_node = root.find('dc:creator', ns)
if creator_node is not None:
metadata['author'] = creator_node.text
# 提取创建时间
created_node = root.find('dcterms:created', ns)
if created_node is not None:
metadata['create_time'] = created_node.text
# 提取文档标题
title_node = root.find('dc:title', ns)
if title_node is not None:
metadata['title'] = title_node.text
return metadata
# 调用示例
if __name__ == '__main__':
meta = extract_docx_metadata('test.docx')
print(meta)
Java实现数据提取示例
Java中可以使用java.util.zip包处理ZIP解压，使用DOM解析XML：
import java.io.ByteArrayInputStream;
import java.io.IOException;
import java.util.zip.ZipEntry;
import java.util.zip.ZipFile;
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import org.w3c.dom.Document;
import org.w3c.dom.NodeList;
import org.w3c.dom.Node;
public class DocxXmlExtractor {
// 提取正文文本
public static String extractText(String docxPath) throws Exception {
ZipFile zipFile = new ZipFile(docxPath);
// 获取document.xml条目
ZipEntry entry = zipFile.getEntry("word/document.xml");
byte[] xmlBytes = new byte[(int) entry.getSize()];
zipFile.getInputStream(entry).read(xmlBytes);
zipFile.close();
// 解析XML
DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
// 忽略命名空间验证
factory.setNamespaceAware(true);
DocumentBuilder builder = factory.newDocumentBuilder();
Document doc = builder.parse(new ByteArrayInputStream(xmlBytes));
// 查找所有w:t节点
NodeList textNodes = doc.getElementsByTagNameNS("http://schemas.openxmlformats.org/wordprocessingml/2006/main", "t");
StringBuilder sb = new StringBuilder();
for (int i = 0; i < textNodes.getLength(); i++) {
Node textNode = textNodes.item(i);
if (textNode.getTextContent() != null) {
sb.append(textNode.getTextContent());
}
}
return sb.toString();
}
public static void main(String[] args) {
try {
String text = extractText("test.docx");
System.out.println(text);
} catch (Exception e) {
e.printStackTrace();
}
}
}
注意事项
- Word XML的命名空间是固定的，解析时必须正确设置命名空间参数，否则无法匹配到目标节点
- 如果DOCX中包含复杂元素比如嵌入对象、公式、批注，对应的XML结构会更复杂，需要针对性调整解析规则
- 不建议手动修改DOCX内部的XML文件，很容易破坏文件结构导致DOCX无法打开
- 如果只需要简单的文档内容提取，也可以直接使用Apache POI、python-docx等封装好的库，底层本质也是解析这些XML结构
DOCX文件解析XML数据提取Open_XML格式文档数据处理修改时间：2026-06-25 02:06:42