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.php.cn/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 ET
def 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.php.cn/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'))

							

								
								

									墨狐AI
									
5分钟生成万字小说，人人都是小说家！
								
								下载 
							
						
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 Document
doc = 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。