使用Python轻松获取Word文本框中的文字和图片

Word文档里的文本框，是个挺实用的设计——它能把独立的文字段落、表格甚至图片都“打包”起来，放在文档的任意位置。但在实际工作中，比如做文档迁移、数据归档或者批量处理时，经常会遇到一个需求：怎么把这些藏在文本框里的文字和图片“捞”出来？和正文不一样，文本框里的内容并不在文档主段落流里，得通过专门的文档对象模型去遍历和访问。下面就来聊聊，怎么用Python把Word文本框里的文字、表格数据和嵌入的图片，系统性地提取出来。

环境准备

这次我们用到的工具是Spire.Doc for Python。这个库提供了完整的文档对象模型，能很方便地遍历文本框里的子对象，然后按类型分别处理。安装命令很简单：

pip install Spire.Doc

装好之后，在脚本里导入需要的模块就能开工了。

from spire.doc import *
from spire.doc.common import *

遍历文本框并提取文字

在Spire.Doc的对象模型里，文本框对应的是TextBox类型。它的内部内容通过Body属性暴露出来，结构和文档主体很像。文本框里可能既包含段落，也可能嵌套表格，所以需要遍历ChildObjects集合，然后根据每个子对象的DocumentObjectType来判断该走哪条路。这种逐层遍历的方法，能确保不遗漏任何嵌套结构里的文字。

from spire.doc import *
from spire.doc.common import *

inputFile = "/文本框.docx"
outputFile = "ExtractedText.txt"

# 加载文档
document = Document()
document.LoadFromFile(inputFile)

# 检查文档中是否包含文本框
if document.TextBoxes.Count > 0:
    with open(outputFile, 'w', encoding='utf-8') as sw:
        for i in range(document.TextBoxes.Count):
            textbox = document.TextBoxes.get_Item(i)
            # 遍历文本框内的子对象
            for j in range(textbox.Body.ChildObjects.Count):
                obj = textbox.Body.ChildObjects.get_Item(j)
                # 提取段落文字
                if obj.DocumentObjectType == DocumentObjectType.Paragraph:
                    para = obj if isinstance(obj, Paragraph) else None
                    sw.write(para.Text + "n")
                # 提取表格中的文字
                if obj.DocumentObjectType == DocumentObjectType.Table:
                    table = obj if isinstance(obj, Table) else None
                    for row_idx in range(table.Rows.Count):
                        row = table.Rows[row_idx]
                        for cell_idx in range(row.Cells.Count):
                            cell = row.Cells[cell_idx]
                            for para_idx in range(cell.Paragraphs.Count):
                                para = cell.Paragraphs.get_Item(para_idx)
                                sw.write(para.Text + "t")
                        sw.write("n")

document.Close()

这段代码的逻辑很清晰：先通过document.TextBoxes拿到文档里所有的文本框，然后对每个文本框，用Body.ChildObjects遍历它内部的子对象。碰到Paragraph类型的，直接读Text属性就行；碰到Table类型的，就再往下走一层——遍历表格的行、单元格、单元格里的段落，一个个提取文字。为了让表格结构保留下来，同一行里不同单元格的内容用t制表符隔开，不同行之间用n换行。这样提取出来的文本，后续处理起来就很方便了。

从文本框中读取表格数据

有时候，我们明确知道文本框里装的就是一个表格，而且希望用更结构化的方式去读它。这时候，可以直接通过Body.Tables集合来访问，不用再绕路去遍历ChildObjects。这种方法更直接，适合对文本框内部结构比较熟悉的场景。

from spire.doc import *
from spire.doc.common import *

inputFile = "./Data/TextBoxTable.docx"
outputFile = "TableFromTextBox.txt"

# 加载文档
doc = Document()
doc.LoadFromFile(inputFile)

# 获取第一个文本框
textbox = doc.TextBoxes[0]

# 获取文本框中的第一个表格
table = textbox.Body.Tables[0] if isinstance(textbox.Body.Tables[0], Table) else None

result = ""
for i in range(table.Rows.Count):
    row = table.Rows.get_Item(i)
    for j in range(row.Cells.Count):
        cell = row.Cells.get_Item(j)
        for k in range(cell.Paragraphs.Count):
            paragraph = cell.Paragraphs.get_Item(k)
            result += paragraph.Text + "t"
    result += "n"

with open(outputFile, 'w', encoding='utf-8') as fp:
    fp.write(result)

doc.Close()

这段代码更简短：直接通过doc.TextBoxes[0]拿到第一个文本框，然后通过textbox.Body.Tables[0]拿到它里面的第一个表格。之后按行→单元格→段落的层次结构遍历，把每个单元格的文字拼出来。如果你的表格位置是固定的，这种写法能省下不少遍历开销。

提取文本框中的图片

文本框里的图片，在Spire.Doc里是以DocPicture对象来表示的，它的ImageBytes属性里存着图片的二进制数据。提取图片的思路和提取文字差不多：遍历文本框的子对象，一旦发现类型是Picture的，就读取它的ImageBytes，然后写入文件。不过有个细节要注意——图片通常嵌套在段落里面，所以需要递归遍历所有层级的子对象。

from spire.doc import *
from spire.doc.common import *
import os

inputFile = "./Data/TextBoxWithImages.docx"
outputDir = "ExtractedImages/"

if not os.path.exists(outputDir):
    os.makedirs(outputDir)

# 加载文档
document = Document()
document.LoadFromFile(inputFile)

image_index = 0

# 遍历所有文本框
for i in range(document.TextBoxes.Count):
    textbox = document.TextBoxes.get_Item(i)
    # 遍历文本框中的子对象
    for j in range(textbox.Body.ChildObjects.Count):
        obj = textbox.Body.ChildObjects.get_Item(j)
        # 检查是否为段落，图片通常嵌套在段落中
        if obj.DocumentObjectType == DocumentObjectType.Paragraph:
            para = obj if isinstance(obj, Paragraph) else None
            for k in range(para.ChildObjects.Count):
                child = para.ChildObjects.get_Item(k)
                if child.DocumentObjectType == DocumentObjectType.Picture:
                    picture = child if isinstance(child, DocPicture) else None
                    # 获取图片二进制数据并保存
                    image_bytes = picture.ImageBytes
                    image_path = os.path.join(outputDir, f"Image-{image_index}.png")
                    with open(image_path, 'wb') as img_file:
                        img_file.write(image_bytes)
                    image_index += 1
                    print(f"已保存图片: {image_path}")

document.Close()

这段代码遍历了文档里所有的文本框。对每个文本框里的每个段落，再进一步遍历段落的ChildObjects集合。一旦发现子对象类型是Picture，就把它转成DocPicture对象，通过ImageBytes拿到原始图片字节流，然后以PNG格式写入文件。ImageBytes返回的是原始图片的字节数据，默认以PNG格式保存；如果原始图片是JPEG或其他格式，你可以根据实际需求修改文件扩展名。每个图片文件用序号命名，避免重名冲突。

实用技巧

同时提取文字和图片

实际应用中，文本框里经常是文字和图片混在一起的。可以把文字和图片的提取逻辑整合到一个遍历流程里：外层遍历到段落时，既提取段落文字，又检查段落里有没有图片子对象。这样一次遍历就能搞定所有内容，效率更高。

处理嵌套文本框

Word文档支持文本框嵌套，就是一个文本框里可能还藏着另一个文本框。如果在提取过程中遇到了DocumentObjectType.TextBox类型的子对象，就需要对它的Body做递归遍历，保证所有层级的内容都能被提取到。写一个递归函数来处理这个逻辑，是个不错的选择。

编码与换行处理

提取的文字写入文件时，强烈建议统一使用UTF-8编码（encoding='utf-8'），避免中文等非ASCII字符出现乱码。另外，不同操作系统对换行符的处理方式不一样——Windows用\r\n，Linux/macOS用\n。如果需要在特定平台上正确显示，可以针对性地调整换行符格式。

总结

这篇文章介绍了如何用Python结合Spire.Doc库，从Word文档的文本框中提取文字和图片。通过遍历文本框对象，结合文档结构，可以识别并读取其中的段落、表格等文本内容；同时，利用图片对象的ImageBytes属性，可以实现文本框内图片的导出。此外，还顺带聊了嵌套文本框、编码处理、换行符解析等常见场景的处理方法。虽然文本框里的内容不属于文档正文流，但借助Spire.Doc提供的对象模型，仍然可以灵活地访问和提取它们。掌握这些方法后，就能进一步应用到Word文档归档、数据迁移、内容分析以及批量文档处理等自动化场景中。