企业官网建设流程全解析

简介：这是一份面向IT从业者、数据工程师及Python初学者的轻量级文档自动化处理工具，专为解决批量Word文档（.doc/.docx）转纯文本（.txt）的重复性任务而设计，适用于文本预处理、日志归档、内容提取等场景。资源包共8个文件，含1个核心Python脚本（turnDocToTxt.py）、5个XML配置文件（支撑IDEA开发环境）、1个.iml模块定义文件及1个.gitignore，整体仅5KB，结构简洁，开箱即用。已有349人学习下载，体现了其在实际工作流中的实用价值。用户可直接运行主脚本实现目录递归扫描、段落文本提取、格式剥离与同名TXT输出，并内置基础错误处理逻辑；代码组织清晰，便于理解python-docx库的文档解析流程，也支持按需扩展日志记录或多线程优化，是掌握办公文档自动化处理的优质入门实践样本。

1. 项目缘起：为什么我们需要一个自己的Word转TXT工具？

你可能觉得，把Word文档转成TXT文本，这不是Word软件自带的“另存为”功能就能搞定的事吗？确实，对于偶尔处理一两个文档，手动操作一下没什么问题。但如果你像我一样，经常需要处理几十上百个文档，比如整理项目文档、批量处理用户上传的稿件、或者从一堆报告里提取纯文本进行分析，手动操作就成了一场噩梦。效率低下不说，还容易出错。更别提那些文档格式五花八门，有的嵌入了奇怪的样式，有的带着复杂的表格和图片，用Word自带的“另存为”功能，得到的TXT文件有时会多出很多莫名其妙的空格、换行符，甚至丢失部分内容。

这就是我动手写这个Python脚本的初衷。我需要一个能“无脑”批量处理、稳定可靠、并且完全可控的工具。市面上的在线转换工具，一来有文件大小和数量的限制，二来涉及到文档内容安全，把内部资料上传到第三方服务器总归不放心。自己动手，丰衣足食。用Python来实现，不仅轻量、免费，还能根据我的具体需求进行深度定制，比如只提取特定章节、过滤掉页眉页脚、或者统一转换后的编码格式。

这个工具的核心价值，就是自动化和可靠性。它解放了我们的双手，让我们能把精力放在更有价值的内容处理和分析上，而不是重复的格式转换劳动。接下来，我就把这个工具的源码和实现思路，毫无保留地分享给你。

2. 核心工具选型：为什么是python-docx而不是其他？

在Python生态里，处理Word文档（主要是.docx格式）的库有好几个，比如pywin32（调用本机Office COM组件）、docx2txt、textract，以及我们今天要用的python-docx。我最终选择了python-docx，这是经过一番考量和实际踩坑后得出的结论。

pywin32的优点是功能强大，能调用Word几乎所有的原生功能，转换效果理论上最完美。但它有个致命缺点：严重依赖Windows系统和本地安装的Microsoft Word。这意味着你的脚本无法在Linux服务器或无GUI的服务器上运行，也无法移植到其他没有安装Office的电脑上。这对于追求部署便捷性和跨平台能力的自动化脚本来说，是难以接受的。

docx2txt和textract这类库属于“一站式”解决方案，一个函数调用就能提取文本，非常方便。但“方便”的代价是可控性差。它们像是一个黑盒，你很难精细控制文本提取的逻辑。比如，当文档中有复杂的表格时，它们提取的文本格式可能很混乱；你无法方便地决定是否保留超链接文本、如何处理列表的缩进等。当遇到转换结果不符合预期时，调试和调整会非常困难。

python-docx则走了另一条路。它不是一个“转换器”，而是一个文档读写器。它允许你以编程的方式，像打开一个结构化的数据容器一样，打开一个.docx文件，然后遍历其中的段落（Paragraph）、表格（Table）、图片等元素，并读取每个元素的文本内容。这样做的好处显而易见：

1. 完全可控：你可以精确地决定如何拼接每个段落的文本，比如段落之间加一个还是两个换行符。
2. 跨平台：纯Python实现，不依赖任何外部Office组件，在任何能运行Python的环境下都能工作。
3. 灵活扩展：因为你能访问文档的每一个部分，所以可以轻松地添加过滤逻辑（比如跳过标题、只提取特定样式的内容）、或者同时提取其他信息（比如读取表格数据并结构化保存）。

当然，python-docx主要针对.docx格式（Office 2007及以上）。对于古老的.doc格式，处理起来会麻烦一些，通常需要先通过其他方式（如LibreOffice的命令行）将其转换为.docx。在我们的批量场景下，可以预设输入为.docx，或者将.doc`` 的转换作为预处理步骤。为了聚焦核心，本文的脚本主要处理.docx`。

注意：python-docx库的导入名是docx，但PyPI上的包名是python-docx。安装时需要使用pip install python-docx，但在代码中要import docx。

3. 环境准备与依赖安装

工欲善其事，必先利其器。在开始编码之前，我们需要搭建好Python环境并安装必要的库。这个过程很简单，但有几个细节需要注意，能避免后续很多莫名其妙的错误。

3.1 Python环境确认

首先，确保你的电脑上安装了Python。推荐使用Python 3.6及以上版本，因为它们有更好的库兼容性和语言特性。打开你的终端（Windows上是CMD或PowerShell，Mac/Linux上是Terminal），输入以下命令检查：

python --version # 或 python3 --version

如果显示了类似Python 3.8.5的版本信息，说明环境OK。如果没有，你需要去Python官网下载并安装。安装时，请务必勾选“Add Python to PATH”这个选项，这能让你在终端中直接使用python命令。

3.2 安装核心库：python-docx

安装python-docx只需要一行命令。同样在终端中执行：

pip install python-docx

如果你使用的是Python 3，并且系统里同时有Python 2，可能需要使用pip3：

pip3 install python-docx

常见问题与解决：

• 权限错误：在Linux/macOS或Windows上，如果提示权限不足，可以在命令前加上sudo（Linux/macOS）或以管理员身份运行终端（Windows）。更推荐的做法是使用虚拟环境。
• 下载慢或超时：因为网络原因，从默认的PyPI源下载可能会很慢。可以使用国内的镜像源来加速，例如清华源：

  pip install python-docx -i https://pypi.tuna.tsinghua.edu.cn/simple

• 安装成功但导入失败：极少数情况下，可能因为环境冲突导致。可以尝试先卸载再重新安装：pip uninstall python-docx然后pip install python-docx。

安装成功后，可以打开Python交互界面简单测试一下：

import docx print(docx.__version__)

如果没有报错并输出版本号，说明库已就绪。

3.3 （可选但推荐）使用虚拟环境

对于Python项目，我强烈建议使用虚拟环境（如venv或conda）。它能为每个项目创建独立的Python运行环境，避免不同项目间的库版本冲突。这是专业开发中的一个好习惯。

使用venv创建虚拟环境的步骤：

# 在你的项目目录下 python -m venv venv # 激活虚拟环境 # Windows (CMD/PowerShell): venv\Scripts\activate # Windows (Git Bash): source venv/Scripts/activate # Linux/macOS: source venv/bin/activate # 激活后，终端提示符前通常会显示 (venv) # 然后在虚拟环境中安装依赖 pip install python-docx

当你完成工作后，可以输入deactivate来退出虚拟环境。

4. 脚本源码逐行解析与核心逻辑实现

下面就是整个批量转换工具的核心代码。我会将代码分成几个功能模块，并逐块进行详细解释，让你不仅知道怎么写，更明白为什么这么写。

4.1 模块导入与基础设置

import os import sys from pathlib import Path import docx

• os和sys：用于处理文件和目录路径、系统参数等。os模块是我们进行文件遍历和操作的基石。
• pathlib.Path：这是Python 3.4+引入的面向对象的路径操作库。相比传统的os.path，它的语法更清晰、更符合直觉。我们会用它来构建和检查路径。
• docx：这就是我们安装的python-docx库，核心功能都来自于它。

4.2 核心转换函数：convert_docx_to_txt

这是整个脚本的心脏，负责将单个.docx文件的内容提取并保存为.txt。

def convert_docx_to_txt(docx_path, txt_path=None, encoding='utf-8'): """ 将单个Word文档(.docx)转换为纯文本文件(.txt)。 参数: docx_path (str/Path): 源Word文档的路径。 txt_path (str/Path, 可选): 目标TXT文件的路径。如果为None，则在同一目录下生成同名文件。 encoding (str, 可选): 输出TXT文件的编码，默认为'utf-8'。推荐始终使用UTF-8以保证兼容性。 返回: bool: 转换成功返回True，失败返回False。 """ try: # 使用Path对象确保路径处理的一致性 docx_path = Path(docx_path) if not docx_path.is_file(): print(f"错误：文件不存在 - {docx_path}") return False # 如果未指定输出路径，则自动生成（同目录，同名，后缀改为.txt） if txt_path is None: txt_path = docx_path.with_suffix('.txt') else: txt_path = Path(txt_path) # 使用python-docx打开文档 doc = docx.Document(docx_path) # 用于累积所有文本内容 full_text = [] # 1. 遍历所有段落 (Paragraph) for para in doc.paragraphs: # 获取段落文本，并去除首尾空白字符 text = para.text.strip() if text: # 只添加非空段落 full_text.append(text) # 2. 遍历所有表格 (Table)，将单元格内容按行拼接 for table in doc.tables: for row in table.rows: row_text = [] for cell in row.cells: # 获取单元格文本，同样去除首尾空白 cell_text = cell.text.strip() if cell_text: row_text.append(cell_text) # 将一行中所有单元格的文本用制表符(\t)连接，模拟表格结构 if row_text: full_text.append('\t'.join(row_text)) # 一个表格结束后，添加一个空行作为分隔，使输出更清晰 full_text.append('') # 将所有收集到的文本块用换行符连接起来 # 这里使用两个换行符(\n\n)，让段落之间有空行，更符合阅读习惯。 output_content = '\n\n'.join(full_text) # 将内容写入TXT文件，使用指定的编码 # 使用 'w' 模式并指定 encoding，确保编码正确 with open(txt_path, 'w', encoding=encoding) as f: f.write(output_content) print(f"转换成功：{docx_path.name} -> {txt_path.name}") return True except Exception as e: # 捕获并打印任何异常，便于调试 print(f"转换失败：{docx_path}。错误信息：{e}") return False

关键逻辑解析与设计选择：

1. 异常处理 (try...except): 文件操作和文档解析都可能出错（如文件损坏、权限不足、不支持的格式）。用try...except包裹核心逻辑，可以保证一个文件的转换失败不会导致整个程序崩溃，同时能打印出具体的错误信息，方便排查。
2. Path对象的运用：Path(docx_path).with_suffix(‘.txt’)这行代码非常优雅地解决了生成输出文件路径的问题。with_suffix方法会直接替换掉原路径的后缀名，无需手动拼接字符串，既安全又简洁。
3. 文本提取顺序：我们按照先段落，后表格的顺序提取。这是因为在大多数文档中，段落是主体内容。表格可能穿插其中，但为了输出文本的线性顺序，我们将所有表格内容放在了所有段落内容之后。你也可以调整这个顺序，比如在遇到表格时，在其原本的位置插入标记，但这需要更复杂的文档结构分析。
4. 空段落过滤：if text:这行判断至关重要。Word文档中经常存在大量只有换行符或空格的“空段落”，直接提取会导致最终的TXT文件中充满无意义的空行。通过strip()和判断，我们只保留真正有内容的段落。
5. 表格处理策略：对于表格，我们选择将其“扁平化”处理。遍历每一行 (row)，再将行中的每个单元格 (cell) 的文本提取出来，用制表符\t连接成一行字符串。这样，在TXT文件中，原本表格的每一行就变成了用制表符分隔的文本行，在一定程度上保留了表格的“列”信息，可以用文本编辑器或Excel的“分列”功能查看。每个表格处理完后，我们添加一个空字符串full_text.append(‘’)，这样在最终输出时会产生一个空行，用以区分不同的表格。
6. 段落分隔符：‘\n\n’.join(full_text)使用两个换行符连接文本块。这使得每个段落（或表格行）在TXT中独立成段，段落间有空行，视觉效果更清晰，也符合许多文本处理工具的预期。
7. 编码指定：open(txt_path, ‘w’, encoding=‘utf-8’)明确指定编码为 UTF-8。这是现代文本处理的标准，可以完美支持中文、英文等所有字符，避免出现乱码。这是很多新手容易忽略但会导致严重问题的地方。

4.3 批量处理与目录遍历函数：batch_convert_docx_to_txt

单个文件转换是基础，批量处理才是生产力的体现。这个函数负责扫描一个目录，找到所有.docx文件，然后逐个调用上面的转换函数。

def batch_convert_docx_to_txt(input_dir, output_dir=None, recursive=False, encoding='utf-8'): """ 批量转换一个目录下的所有Word文档(.docx)为TXT文件。 参数: input_dir (str/Path): 包含源Word文档的目录路径。 output_dir (str/Path, 可选): 输出TXT文件的目录。如果为None，则输出到input_dir下的`txt_output`文件夹。 recursive (bool, 可选): 是否递归处理子目录。默认为False。 encoding (str, 可选): 输出文件的编码。 返回: tuple: (成功数量, 失败数量) """ input_dir = Path(input_dir) if not input_dir.is_dir(): print(f"错误：输入目录不存在 - {input_dir}") return 0, 0 # 设置输出目录 if output_dir is None: output_dir = input_dir / 'txt_output' else: output_dir = Path(output_dir) # 创建输出目录（如果不存在） output_dir.mkdir(parents=True, exist_ok=True) # 根据是否递归选择遍历方法 if recursive: # glob('**/*.docx') 会递归匹配所有子目录中的.docx文件 docx_files = list(input_dir.glob('**/*.docx')) else: # glob('*.docx') 只匹配当前目录下的.docx文件 docx_files = list(input_dir.glob('*.docx')) if not docx_files: print(f"在目录 {input_dir} 中未找到任何 .docx 文件。") return 0, 0 print(f"找到 {len(docx_files)} 个 .docx 文件，开始批量转换...") success_count = 0 fail_count = 0 for docx_file in docx_files: # 计算输出文件路径，保持原有目录结构（如果递归） if recursive: # 获取相对于输入目录的相对路径 relative_path = docx_file.relative_to(input_dir) # 将相对路径中的后缀改为.txt，并在输出目录下构建相同结构 txt_file = output_dir / relative_path.with_suffix('.txt') # 确保输出子目录存在 txt_file.parent.mkdir(parents=True, exist_ok=True) else: # 非递归模式，直接输出到output_dir根目录下 txt_file = output_dir / docx_file.with_suffix('.txt').name # 调用单个转换函数 if convert_docx_to_txt(docx_file, txt_file, encoding): success_count += 1 else: fail_count += 1 print(f"批量转换完成！成功：{success_count}，失败：{fail_count}") return success_count, fail_count

关键逻辑解析与设计选择：

1. 输出目录管理：output_dir.mkdir(parents=True, exist_ok=True)这行代码非常有用。parents=True意味着如果上级目录不存在，它会一并创建；exist_ok=True意味着如果目录已存在，它不会报错。这确保了无论输出目录是否存在，程序都能安全运行。
2. 文件遍历：我们使用了Path.glob()方法进行模式匹配。*.docx匹配当前目录，**/*.docx递归匹配所有子目录。glob返回的是一个生成器，我们将其转换为列表 (list()) 以便统计数量。
3. 保持目录结构（递归模式）：这是本脚本的一个亮点功能。当启用递归 (recursive=True) 时，脚本会计算源文件相对于输入目录的相对路径 (relative_to)，然后在输出目录下创建相同的子目录结构。这样，转换后的TXT文件就能和原来的Word文档保持一样的组织方式，对于管理大量分类文档极其重要。
4. 进度反馈：在循环中，convert_docx_to_txt函数会打印每个文件的转换状态。最后，函数会汇总成功和失败的数量，让用户对结果一目了然。

4.4 主程序入口与命令行交互

为了让脚本既可以被其他Python程序导入使用，也可以直接通过命令行运行，我们使用if __name__ == ‘__main__’:这个经典结构。

if __name__ == '__main__': # 简单的命令行参数解析（使用sys.argv） if len(sys.argv) < 2: # 如果没有提供参数，打印使用说明 print("用法: python word_to_txt.py <输入目录或文件> [输出目录] [--recursive] [--encoding ENCODING]") print("示例:") print(" python word_to_txt.py ./docs") print(" python word_to_txt.py ./docs ./output --recursive") print(" python word_to_txt.py ./docs ./output --encoding gbk") print(" python word_to_txt.py single_file.docx") # 单个文件转换 sys.exit(1) input_path = Path(sys.argv[1]) output_path = None recursive = False encoding = 'utf-8' # 解析可选参数（这是一个非常简单的解析器，对于复杂需求建议使用argparse库） i = 2 while i < len(sys.argv): arg = sys.argv[i] if arg == '--recursive': recursive = True i += 1 elif arg == '--encoding' and i + 1 < len(sys.argv): encoding = sys.argv[i + 1] i += 2 elif not arg.startswith('--') and output_path is None: # 第二个非`--`开头的参数视为输出目录 output_path = Path(arg) i += 1 else: i += 1 # 判断输入路径是文件还是目录 if input_path.is_file() and input_path.suffix.lower() == '.docx': # 单个文件转换模式 if output_path is None: output_path = input_path.with_suffix('.txt') success = convert_docx_to_txt(input_path, output_path, encoding) if not success: sys.exit(1) # 转换失败，返回非0退出码 elif input_path.is_dir(): # 批量目录转换模式 batch_convert_docx_to_txt(input_path, output_path, recursive, encoding) else: print(f"错误：输入路径既不是.docx文件也不是有效目录 - {input_path}") sys.exit(1)

关键逻辑解析与设计选择：

1. 双模式运行：脚本智能地判断第一个参数是文件还是目录。如果是单个.docx文件，则调用convert_docx_to_txt；如果是一个目录，则调用batch_convert_docx_to_txt。这使得脚本的用途更加灵活。
2. 简单的参数解析：这里实现了一个最基本的参数解析器。它识别--recursive（递归）、--encoding（指定编码）等选项。对于更复杂的命令行工具，Python标准库中的argparse模块是更强大和专业的选择，但为了保持脚本的简洁和易于理解，这里使用了手动解析。你可以根据需要将其重构为使用argparse。
3. 用户友好提示：当用户直接运行脚本而不带任何参数时，会打印出清晰的使用说明和示例，降低了使用门槛。
4. 退出码：在单个文件转换失败时，使用sys.exit(1)返回一个非零的退出码。这是一个好习惯，在将脚本集成到自动化流程（如Shell脚本、CI/CD流水线）中时，上游程序可以通过退出码判断任务是否成功。

5. 实战进阶：你可能遇到的坑与优化方案

把基础的脚本跑起来只是第一步。在实际生产环境中使用，你肯定会遇到各种边界情况和特殊需求。下面分享我踩过的一些坑以及对应的解决方案。

5.1 编码问题：乱码的根源与彻底解决

乱码是文本处理中最常见也最头疼的问题。其根源在于“编码不一致”：文件在保存时用一种编码（如GBK），而你在读取时用了另一种编码（如UTF-8）。

我们的脚本如何应对？

1. 输出强制UTF-8：在open()函数中明确指定encoding=‘utf-8’，确保我们生成的TXT文件是UTF-8编码。这是国际标准，兼容性最好。
2. 输入编码的隐患：python-docx库在读取.docx文件时，内部会处理编码问题，通常不需要我们操心。.docx本质上是一个ZIP压缩包，里面的XML文档默认就是UTF-8。但是，如果Word文档中的文本内容本身是从其他编码（如GB2312）的文本粘贴进来的，并且包含了该编码特有的字符，python-docx读取出来可能是正确的，因为Python 3的字符串是Unicode。问题通常出在后续环节。

更复杂的场景：处理其他来源的文本

如果你的脚本需要处理从其他渠道（如直接读取文本文件、从网络获取）得到的字符串，然后再与Word内容合并，就必须格外小心编码。

# 错误示范：不指定编码，依赖系统默认，极易出乱码 with open('other_source.txt', 'r') as f: external_text = f.read() # 正确做法：明确知道源文件的编码 try: with open('other_source.txt', 'r', encoding='gbk') as f: # 假设源文件是GBK编码 external_text = f.read() except UnicodeDecodeError: # 如果GBK解码失败，可以尝试其他常见编码，如utf-8, latin-1 with open('other_source.txt', 'r', encoding='utf-8', errors='ignore') as f: external_text = f.read() # 使用errors='ignore'忽略无法解码的字符

最佳实践：在项目的开始，就统一所有文本文件的编码为UTF-8。如果必须处理混合编码的文件，可以尝试使用chardet库自动检测文件编码，但这并非100%准确。

5.2 格式丢失与样式信息提取

我们的脚本提取的是“纯文本”，这意味着所有字体、颜色、加粗、斜体、字号等样式信息，以及图片、图表、公式等非文本对象，都会丢失。这是由“纯文本（TXT）”的格式特性决定的。

如果你需要保留部分格式信息怎么办？

1. 保留基础排版：我们已经做了一些工作，比如用空行分隔段落、用制表符分隔表格单元格。你还可以进一步：

   • 识别标题：python-docx的Paragraph对象有一个style.name属性。你可以判断如果para.style.name以‘Heading’开头，就在该段落文本前加上#（Markdown标题语法）或特定的标记。

   for para in doc.paragraphs: text = para.text.strip() if text: if para.style.name and para.style.name.startswith('Heading'): full_text.append(f"# {text}") # Markdown格式 else: full_text.append(text)

   • 保留列表：检查段落样式或段落开头的字符，判断是否为列表项，然后为其添加-或1.等前缀。

2. 转换为富文本格式：如果纯文本无法满足需求，可以考虑转换为其他能保留样式的格式。

   • Markdown：如上所示，可以将标题、加粗（**文本**）、斜体（*文本*）等转换为Markdown语法。这需要更复杂地解析Run对象的属性（para.runs可以获取段落内具有不同样式的文本片段）。
   • HTML：原理类似，用HTML标签包裹文本。python-docx本身不直接支持转HTML，但有一些第三方库如mammoth专门做这件事，效果更好。
   • PDF：如果需要精确保持版面，转换为PDF是更好的选择。但这通常需要借助其他库（如reportlab）或外部工具（如LibreOffice的命令行soffice）。

核心取舍：在决定之前，一定要问自己最终用途是什么。如果是为了做全文搜索、自然语言处理，纯文本是最佳选择。如果是为了生成带简单排版的网页或文档，Markdown是很好的平衡点。如果需要原样打印或分发，PDF才是目标。

5.3 性能优化：处理超大型文档或海量文件

当处理一个几百页的Word文档，或者一个包含数万个文件的目录时，基础脚本可能会遇到内存或速度问题。

优化策略：

1. 流式处理与分块写入：对于单个超大文档，我们目前是将所有文本累积在full_text列表中，最后一次性写入文件。如果文档极大，这会消耗大量内存。可以改为边提取边写入：

   with open(txt_path, 'w', encoding=encoding) as f: for para in doc.paragraphs: text = para.text.strip() if text: f.write(text + '\n\n') # 立即写入文件 # ... 类似地处理表格

   这样做内存占用极小，但缺点是如果后续处理失败，文件可能处于不完整状态。

2. 多进程/多线程加速（针对海量文件）：批量转换时，每个文件的处理是独立的，这是“令人尴尬的并行”问题，非常适合用多进程来加速。Python的concurrent.futures模块让这变得简单：

   from concurrent.futures import ProcessPoolExecutor, as_completed def batch_convert_parallel(input_dir, output_dir, recursive=False, max_workers=4): # ... [前面的目录准备和文件查找代码不变] ... with ProcessPoolExecutor(max_workers=max_workers) as executor: # 提交所有任务 future_to_file = {executor.submit(convert_docx_to_txt, docx_file, txt_file): docx_file for docx_file, txt_file in zip(docx_files, txt_files_list)} # 等待并获取结果 for future in as_completed(future_to_file): docx_file = future_to_file[future] try: success = future.result() if success: success_count += 1 else: fail_count += 1 except Exception as e: print(f"处理文件 {docx_file} 时发生未捕获异常: {e}") fail_count += 1

   注意：多进程适用于CPU密集型任务，且进程间通信有开销。如果转换任务本身很快（小文件），创建进程的开销可能抵消并行带来的收益。通常，在处理成千上万个文件时，效果显著。max_workers设置为CPU核心数左右比较合适。

3. 进度显示：对于长时间运行的批量任务，给用户一个进度反馈非常重要。可以使用tqdm这个库来轻松添加进度条。

   pip install tqdm

   from tqdm import tqdm # 在批量转换的循环处 for docx_file in tqdm(docx_files, desc="转换进度"): # ... 转换逻辑 ...

5.4 错误处理与日志记录

我们目前的脚本将错误信息打印到控制台。这对于手动运行足够了，但对于自动化任务，最好将日志记录到文件，以便事后排查。

简单的日志记录改进：

import logging # 在脚本开头配置日志 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', handlers=[ logging.FileHandler('conversion.log', encoding='utf-8'), logging.StreamHandler() # 同时输出到控制台 ]) def convert_docx_to_txt(docx_path, txt_path=None, encoding='utf-8'): try: # ... [转换逻辑] ... logging.info(f"转换成功：{docx_path.name} -> {txt_path.name}") return True except Exception as e: logging.error(f"转换失败：{docx_path}。错误信息：{e}", exc_info=True) # exc_info=True会打印堆栈跟踪 return False

这样，所有的成功和失败信息，连同时间戳和错误详情，都会同时显示在屏幕并保存到conversion.log文件中。

6. 完整脚本整合与使用示例

将上述所有代码块整合在一起，就是一个功能完整、健壮的批量Word转TXT工具。你可以将以下代码保存为一个文件，例如word_to_txt.py。

""" word_to_txt.py - 批量将Word文档(.docx)转换为纯文本文件(.txt) 作者：你的名字 描述：一个可靠、可配置的Python脚本，用于自动化处理Word到TXT的转换，支持单个文件、批量目录及递归处理。 """ import os import sys import logging from pathlib import Path import docx # 配置日志 logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', handlers=[ logging.FileHandler('word_to_txt_conversion.log', encoding='utf-8'), logging.StreamHandler() ]) def convert_docx_to_txt(docx_path, txt_path=None, encoding='utf-8'): """转换单个.docx文件为.txt文件。""" try: docx_path = Path(docx_path) if not docx_path.is_file(): logging.error(f"文件不存在 - {docx_path}") return False if txt_path is None: txt_path = docx_path.with_suffix('.txt') else: txt_path = Path(txt_path) doc = docx.Document(docx_path) full_text = [] # 提取段落 for para in doc.paragraphs: text = para.text.strip() if text: full_text.append(text) # 提取表格 for table in doc.tables: for row in table.rows: row_text = [] for cell in row.cells: cell_text = cell.text.strip() if cell_text: row_text.append(cell_text) if row_text: full_text.append('\t'.join(row_text)) full_text.append('') # 表格间空行 output_content = '\n\n'.join(full_text) with open(txt_path, 'w', encoding=encoding) as f: f.write(output_content) logging.info(f"转换成功：{docx_path.name} -> {txt_path.name}") return True except Exception as e: logging.error(f"转换失败：docx_path。错误信息：e", exc_info=True) return False def batch_convert_docx_to_txt(input_dir, output_dir=None, recursive=False, encoding='utf-8'): """批量转换目录下的所有.docx文件。""" input_dir = Path(input_dir) if not input_dir.is_dir(): logging.error(f"输入目录不存在 - {input_dir}") return 0, 0 if output_dir is None: output_dir = input_dir / 'txt_output' else: output_dir = Path(output_dir) output_dir.mkdir(parents=True, exist_ok=True) pattern = '**/*.docx' if recursive else '*.docx' docx_files = list(input_dir.glob(pattern)) if not docx_files: logging.warning(f"在目录 {input_dir} 中未找到任何 .docx 文件。") return 0, 0 logging.info(f"找到 {len(docx_files)} 个 .docx 文件，开始批量转换...") success_count = 0 fail_count = 0 for docx_file in docx_files: if recursive: relative_path = docx_file.relative_to(input_dir) txt_file = output_dir / relative_path.with_suffix('.txt') txt_file.parent.mkdir(parents=True, exist_ok=True) else: txt_file = output_dir / docx_file.with_suffix('.txt').name if convert_docx_to_txt(docx_file, txt_file, encoding): success_count += 1 else: fail_count += 1 logging.info(f"批量转换完成！成功：{success_count}，失败：{fail_count}") return success_count, fail_count if __name__ == '__main__': if len(sys.argv) < 2: print("用法: python word_to_txt.py <输入目录或文件> [输出目录] [--recursive] [--encoding ENCODING]") print("示例:") print(" python word_to_txt.py ./docs") print(" python word_to_txt.py ./docs ./output --recursive") print(" python word_to_txt.py ./docs ./output --encoding gbk") print(" python word_to_txt.py single_file.docx") sys.exit(1) input_path = Path(sys.argv[1]) output_path = None recursive = False encoding = 'utf-8' i = 2 while i < len(sys.argv): arg = sys.argv[i] if arg == '--recursive': recursive = True i += 1 elif arg == '--encoding' and i + 1 < len(sys.argv): encoding = sys.argv[i + 1] i += 2 elif not arg.startswith('--') and output_path is None: output_path = Path(arg) i += 1 else: i += 1 if input_path.is_file() and input_path.suffix.lower() == '.docx': if output_path is None: output_path = input_path.with_suffix('.txt') success = convert_docx_to_txt(input_path, output_path, encoding) sys.exit(0 if success else 1) elif input_path.is_dir(): batch_convert_docx_to_txt(input_path, output_path, recursive, encoding) else: logging.error(f"输入路径无效 - {input_path}") sys.exit(1)

使用示例：

1. 转换单个文件：

   python word_to_txt.py 我的报告.docx

   （会在同目录生成我的报告.txt）

2. 转换整个目录（非递归）：

   python word_to_txt.py ./project_docs

   （会在./project_docs/txt_output/下生成TXT文件）

3. 递归转换整个目录及其所有子目录：

   python word_to_txt.py ./project_docs ./converted_texts --recursive

   （会在./converted_texts/下保持原目录结构生成TXT文件）

4. 指定输出编码（如GBK）：

   python word_to_txt.py ./docs ./output --encoding gbk

这个脚本已经具备了生产环境使用的雏形。你可以根据自己的需求，轻松地修改或扩展它，比如添加更多格式处理规则、集成到Web服务中，或者作为一个模块导入到你更大的数据处理流程里。希望这份详细的解析和源码，能成为你自动化办公工具箱里的一件利器。

本文还有配套的精品资源，点击获取