Python操作Word文档属性与字数统计的方法详解

小李是刚入职场的行政助理，这天领导扔给他30份项目报告，要求统计每份报告的字数，还要提取创建时间和最后修改作者。遇到这种场景，不少人第一反应是手动打开一个个Word文档，复制粘贴。但小李选择了另一个思路——用Python搞定。说实话，30份文档手动操作，不仅效率低，还容易出错，自动化处理才是正经解法。

准备工作：安装与导入

操作Word文档，最常用的库是python-docx。不过有一点需要留意：它只支持.docx格式，如果手头还有老旧的.doc文件，得先转换一下格式再处理。

pip install python-docx

安装完成后，在代码中导入。处理日期时间还需要datetime库：

from docx import Document
from datetime import datetime

读取文档属性

Word文档的属性就像文件的“身份证”，记录了标题、作者、创建时间、修改次数等信息。这些信息藏在文档的“Core Properties”部分，python-docx可以轻松读取。

def get_doc_properties(doc_path):
    doc = Document(doc_path)
    core_props = doc.core_properties
    
    info = {
        "标题": core_props.title,
        "作者": core_props.author,
        "分类": core_props.category,
        "状态": core_props.content_status,
        "创建时间": core_props.created,
        "修改时间": core_props.modified,
        "最后保存者": core_props.last_modified_by,
        "修订次数": core_props.revision
    }
    return info

props = get_doc_properties("项目报告.docx")
for key, value in props.items():
    print(f"{key}: {value}")

跑完这段代码，输出结果大致是这样的：

标题: 2024年度项目总结

作者: 张三

创建时间: 2024-12-01 10:30:00

最后保存者: 李四

修订次数: 5

这里有个小细节：created和modified返回的是datetime对象，用strftime格式化一下就能输出你想要的日期格式。

字数统计：主体内容

字数统计这块，稍微要复杂一点。文档里的文字分散在不同的地方：段落、表格、页眉页脚、文本框。先从最常见的段落和表格入手。

def count_word_document(doc_path):
    doc = Document(doc_path)
    
    total_chars = 0
    
    for paragraph in doc.paragraphs:
        text = paragraph.text.strip()
        total_chars += len(text)
    
    for table in doc.tables:
        for row in table.rows:
            for cell in row.cells:
                text = cell.text.strip()
                total_chars += len(cell.text)
    
    return total_chars

word_count = count_word_document("项目报告.docx")
print(f"文档总字符数: {word_count}")

这里用len(text)统计字符数。对中文来说，每个汉字算1个字符。如果是英文场景，可能需要按空格分词来统计单词数，用len(text.split())就能搞定。

进阶字数统计：包含页眉页脚

页眉页脚往往藏着重要信息，比如公司名称、文档版本。把这些也统计进来，字数会更完整。

def count_with_headers(doc_path):
    doc = Document(doc_path)
    total_chars = 0
    
    for paragraph in doc.paragraphs:
        total_chars += len(paragraph.text)
    
    for table in doc.tables:
        for row in table.rows:
            for cell in row.cells:
                total_chars += len(cell.text)
    
    for section in doc.sections:
        header = section.header
        for paragraph in header.paragraphs:
            total_chars += len(paragraph.text)
        
        footer = section.footer
        for paragraph in footer.paragraphs:
            total_chars += len(paragraph.text)
    
    return total_chars

通过doc.sections遍历每个节，再分别访问页眉和页脚的段落，就能把隐藏的文字也捞出来。

注意事项

段落与Run的区别：python-docx把一段文字拆成多个Run对象，每个Run是一段样式相同的连续文本。直接取paragraph.text会合并所有Run的文本，对字数统计没影响。但如果要统计带格式的文字数量，可以遍历paragraph.runs分别处理。

性能问题：几十上百页的文档，遍历所有表格和段落没问题。上千页的超长文档，建议分页读取或换用更底层的lxml直接解析XML。

分页统计：python-docx本身不提供精确的页数统计。如果依赖分页符来分页，可以用paragraph.contains_page_break判断：

def estimate_pages(doc_path):
    doc = Document(doc_path)
    page_breaks = sum(1 for p in doc.paragraphs if p.contains_page_break)
    return page_breaks + 1

这种方法只对手动插入分页符的文档有效，纯自动排版的文档会返回1。

完整示例：批量处理脚本

把上面内容整合成一个批量处理脚本：

import os
from docx import Document
from datetime import datetime

def analyze_doc(doc_path):
    try:
        doc = Document(doc_path)
        props = doc.core_properties
        
        char_count = 0
        for para in doc.paragraphs:
            char_count += len(para.text)
        for table in doc.tables:
            for row in table.rows:
                for cell in row.cells:
                    char_count += len(cell.text)
        
        return {
            "文件": os.path.basename(doc_path),
            "字符数": char_count,
            "作者": props.author,
            "创建时间": props.created.strftime("%Y-%m-%d") if props.created else "未知"
        }
    except Exception as e:
        print(f"处理失败 {doc_path}: {e}")
        return None

folder = "./reports"
for filename in os.listdir(folder):
    if filename.endswith(".docx"):
        full_path = os.path.join(folder, filename)
        result = analyze_doc(full_path)
        if result:
            print(f"{result['文件']} - {result['字符数']}字 - {result['作者']}")

跑一遍脚本，30份报告的字数和作者信息就全部提取出来了。小李把结果导出到Excel，圆满完成了任务。

总结

用python-docx处理Word文档属性与字数统计，核心就三点：doc.core_properties获取元数据、遍历doc.paragraphs和doc.tables统计文字、doc.sections访问页眉页脚。代码量不大，却能把重复劳动彻底自动化。下次领导再丢来一堆文档，就知道怎么优雅应对了。