使用 DOCX Reader

使用 DOCX Reader

DocumentReader 类读取 Office Open XML（.docx）文件，并生成抽象的数据结构——Light Document Model（LDM）。它处理段落、表格、形状、图像和格式，使内容可用于操作或转换。

读取 DOCX 文件

最简方法是使用 Document 构造函数，它会自动为 .docx 文件选择 DocumentReader：

import aspose.words_foss as aw

doc = aw.Document("input.docx")
print(f"Sections: {len(doc.sections)}")
for para in doc.all_paragraphs:
    print(para.text)

DocumentReader 架构

DocumentReader 使用两个 mixin 来划分职责：

这三者在内部协同工作——你通过 Document API 与结果交互。

提取文本

在已加载的文档上使用 text 属性来提取纯文本，而无需保存到文件：

import aspose.words_foss as aw

doc = aw.Document("contract.docx")
text = doc.text
print(text[:500])

处理段落和格式化

通过 LDM 访问段落级属性：

import aspose.words_foss as aw

doc = aw.Document("styled.docx")
for para in doc.all_paragraphs:
    for run in para.runs:
        if run.font.bold:
            print(f"Bold: {run.text}")

每个 Run 都携带从 DOCX XML 中解析出的字体属性（粗体、斜体、大小、颜色）。

处理形状和图像

在解析过程中，ShapeParserMixin 提取绘图元素。形状在 LDM 中以段落内容内的 ShapeNode 对象形式出现：

import aspose.words_foss as aw

doc = aw.Document("with-images.docx")
for para in doc.all_paragraphs:
    for node in para.content_sequence:
        if hasattr(node, 'shape_type'):
            print(f"Shape: {node.shape_type}")

技巧与最佳实践

• 对于标准工作流，请使用 Document("file.docx") —— 它会自动处理读取器选择、包验证和 LDM 构建。
• 对于基于流的输入（网页上传），请将类文件对象传递给 Document 构造函数。
• 对于包含表格的文件，可通过 doc.tables 或 doc.all_tables 访问它们。
• 对于批量处理，请重复使用相同的 Python 过程，以避免重复的导入开销。

常见问题

FAQ

什么是 Light Document Model (LDM)？

LDM 是在所有读取器之间共享的内部表示。它将特定格式的细节（OPC XML、OLE2 binary）抽象为包含 sections、paragraphs、runs、tables 和 shapes 的通用结构。

可以DocumentReader处理 DOCM（宏启用）文件吗？

宏启用的.docm文件使用相同的 OPC 结构。阅读器可以解析文档内容，但宏不会被保留或执行。

阅读器如何处理大型文档？

阅读器顺序处理XML部分。内存使用量随文档大小而增长。对于非常大的文档，建议单独处理各章节。

API Reference 摘要

另请参阅

• Aspose.Words for Python — Enterprise Documentation