python

关注公众号 jb51net

关闭
首页 > 脚本专栏 > python > Python提取Word特定页

Python实现高效提取Word文档的特定页

作者：SunnyDays1011

在日常做 Python 办公自动化时,处理 Word 文档往往不只是读取文本内容,很多时候,我们真正需要的是像处理 PDF 一样去操作 Word 文档,下面我们就来看看如何使用Python提取Word文档的特定页面吧

在日常做 Python 办公自动化时，处理 Word 文档往往不只是读取文本内容。很多时候，我们真正需要的是像处理 PDF 一样去操作 Word 文档，比如：

这些需求看起来很常见，但一旦落到 Word 上，就会发现一个问题：按页操作并不容易实现。这篇文章就围绕这个问题，整理了几种在实际项目中比较常见的需求，包括：

为什么 Word 很难按页处理？

如果你之前用过 python-docx，可能已经遇到过这个限制：它可以操作段落、表格、样式，但没法精确定位第几页。

原因在于Word 文档并不是按页存储的。.docx 是一种基于 XML 的结构，内容是连续流式的。所谓的第 1 页、第 2 页，其实是 Word 在打开文档时，根据以下条件动态计算出来的结果：

也就是说，页码不是写在文件里的，而是算出来的。这也是为什么常规库无法直接做到提取第 X 页。

实现思路：选择支持分页计算的库

既然页码是渲染出来的，那解决思路就比较清晰了：需要一个能还原排版的工具。也就是在代码层面，把 Word 文档先进行一次布局计算，然后再按页面去操作。

这里使用的是 Spire.Doc for Python，它提供了直接的 API 来提取文档的页面，并支持处理.doc, .docx, .docm 等多种 Word 格式。

环境配置

首先，在终端中运行以下命令安装该库：

pip install Spire.Doc

安装完成后，在项目中导入模块：

from spire.doc import *

示例 1：使用 Python 提取 Word 文档中的一页或连续页码范围

要从 Word 文档中提取特定页面，可以使用 Document.ExtractPages() 方法。该方法会返回一个包含特定页面的新 Document 对象。它接收两个参数：

  1. index: 起始页的索引。
  2. count: 要提取的页面数量。

实现代码：

以下是使用 Python 从一个 Word 文档中提取第一页以及第 2-4 页的实现代码：

from spire.doc import *

# 加载 Word 文档
doc = Document()
doc.LoadFromFile("输入.docx")

# 提取第 1 页 (索引为 0)
first_page = doc.ExtractPages(0, 1)
first_page.SaveToFile("第一页.docx", FileFormat.Docx)

# 提取第 2 至 4 页 (从索引 1 开始，提取 3 页)
page_range = doc.ExtractPages(1, 3)
page_range.SaveToFile("2到4页.docx", FileFormat.Docx)

# 释放资源
doc.Dispose()
first_page.Dispose()
page_range.Dispose()

这种方式在实际项目里用得非常多，比如：

相比逐个遍历元素复制内容，这种方式更稳定的一点在于：不会破坏原始布局。表格、图片、分页结构都会完整保留下来，不需要额外调整。

注意： 页面索引是从 0 开始的。因此，第二页的索引是 1。

示例 2：使用 Python 提取 Word 文档中不连续的页面

在实际应用中，有些需求并不是连续的一段页面，而是零散页面，比如：

这种情况下，可以把问题拆开来处理：逐页提取，再合并结果。

基本思路是：

  1. 定义需要的页码列表 （例如 [0, 2, 4]）。
  2. 循环遍历索引，调用 ExtractPages() 方法逐页提取。
  3. 把结果拼接到一个新文档中。

实现代码：

以下代码展示了如何使用 Python 提取 Word 文章中的不连续页面：

from spire.doc import *

# 加载原文档
source_doc = Document()
source_doc.LoadFromFile("输入.docx")

# 创建用于存放结果的新文档
result_doc = Document()

# 定义要提取的页面索引 (第 1, 3, 5 页)
pages_to_extract = [0, 2, 4]

# 循环提取并合并
for page_index in pages_to_extract:
    temp_doc = source_doc.ExtractPages(page_index, 1)
    # 将提取页面的节 (Section) 添加到结果文档
    for section in temp_doc.Sections:
        result_doc.Sections.Add(section.Clone())
    temp_doc.Dispose()

# 保存结果
result_doc.SaveToFile("非连续页.docx", FileFormat.Docx)

source_doc.Dispose()
result_doc.Dispose()

注意： 这里有一个细节容易被忽略，在把内容加入新文档时，一定要用 .Clone()，这可以避免引用冲突并确保内容被正确复制。

示例 3：使用 Python 将 Word 文档拆分为单页文件

如果你的目标是将一个 Word 文档拆分为多个独立文件（每页一个文件），可以直接利用页数循环处理。

实现代码：

以下是使用 Python 将 Word 文档按页拆分为多个独立文件的实现代码：

from spire.doc import *

# 加载 Word 文档
doc = Document()
doc.LoadFromFile("输出.docx")

# 获取总页数
page_count = doc.PageCount

# 按页拆分文档
for i in range(page_count):
    single_page_doc = doc.ExtractPages(i, 1)
    # 保存为独立文件，文件名从 Page_1 开始
    single_page_doc.SaveToFile(f"输出/第{i + 1}页.docx", FileFormat.Docx)
    single_page_doc.Dispose()

doc.Dispose()

这里文件名用 i + 1 而不是 i，只是为了让结果更符合人的阅读习惯。

这种方式适用于：

提取 Word 页面的注意事项

在处理页面提取时，有几个细节需要提前注意：

  1. 页码不是固定的：Word 的分页是动态计算的，比如修改字体、调整页边距、增减内容，都可能让“第 3 页”变成“第 4 页”。如果你的流程依赖固定页码，建议在处理后做一次简单校验，比如检查页数或关键内容是否正确。
  2. 不同环境可能影响结果：在不同系统或运行环境下（例如字体缺失、渲染方式不同），分页结果可能会出现细微差异。本地运行正常的结果，在服务器上不一定完全一致，这一点在自动化处理时需要特别留意。
  3. 内存占用问题：如果在循环中处理大量页面或批量文档，记得及时调用 .Dispose() 释放资源，避免对象长期占用内存。否则在处理较大的文件时，容易出现性能下降甚至内存溢出的问题。

总结

使用 Python 提取 Word 页面，是办公自动化中比较实用的一类需求，常见于报告拆分、内容截取以及文档归档等场景。

本文主要介绍了三种典型的页面提取方式：提取单页或连续页面，用于快速截取文档中的指定内容；提取不连续页面，用于从文档中筛选特定页并重新组合；以及按页拆分整个 Word 文档，将每一页保存为独立文件，便于后续管理与分发。通过这些方法，可以在不破坏原有排版的前提下，更灵活地对 Word 文档进行页面级处理，使其在实际自动化流程中更接近 PDF 的操作方式。

在实际使用时，建议结合真实文档进行测试，以确保分页结果符合预期，同时也需要留意不同环境下可能带来的排版差异。

到此这篇关于Python实现高效提取Word文档的特定页的文章就介绍到这了,更多相关Python提取Word特定页内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:
阅读全文