DOCX本质

一、DOCX 本质是 ZIP

.docx 不是单一二进制文件，而是 Office Open XML（OOXML） 格式：一个改了扩展名的 ZIP 压缩包。

把 .docx 改成 .zip 再解压，或直接当 ZIP 读，会看到类似结构：

需要提取变量.docx (ZIP)

├── [Content_Types].xml # 各文件的类型说明

├── _rels/.rels # 包级关系

├── docProps/ # 文档属性（作者、创建时间等）

│ ├── app.xml

│ └── core.xml

└── word/ # Word 正文相关

├── document.xml # ★ 正文内容（文字、段落、图片引用）

├── document.xml.rels # 正文里图片等资源的关系

├── media/ # ★ 嵌入的图片

│ ├── image1.png

│ ├── image2.png

│ └── ...

├── styles.xml # 样式

└── settings.xml # 设置

和 Word 界面的对应关系：

你在 Word 里看到的	ZIP 里实际存放的位置
文字段落	word/document.xml
插入的图片	word/media/image1.png 等
图片在文档中的位置	document.xml 里 <w:drawing> 引用图片

所以 Python 可以这样读，不需要安装 Word：

import zipfile

with zipfile.ZipFile("需要提取变量.docx") as zf:

xml = zf.read("word/document.xml") # 读正文

img = zf.read("word/media/image1.png") # 读图片

---

二、正文在 word/document.xml 里

Word 不会把“一整段纯文本”存进去，而是用 XML 树 描述文档结构。

你文档里第一段文字，在 XML 里大致是这样（已格式化便于阅读）：

<w:document xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main">

<w:body>

<w:p> <!-- p = paragraph 段落 -->

<w:r> <!-- r = run 一段连续文字 -->

<w:t>年均职工人数</w:t> <!-- t = text 实际文字 -->

</w:r>

<w:r>

<w:t> qt_npjzgs f435</w:t>

</w:r>

</w:p>

<w:p>

<w:r>

<w:t>年初职工人数 qt_nczgs f436 f391</w:t>

</w:r>

</w:p>

...

<w:p>

<w:r>

<w:drawing>...</w:drawing> <!-- 图片，不是文字 -->

</w:r>

</w:p>

</w:body>

</w:document>

层级关系：

document（文档）

└── body（正文区）

└── p（段落）

└── r（文字块，可设不同字体/颜色）

└── t（真正显示的文本）

对你这份文档的意义：

• 前半部分变量（如 qt_npjzgs、f435）在 <w:t> 里 → 可以直接用代码提取
• 后半部分变量在截图里 → XML 里只有 <w:drawing> 指向 image1.png 等 → 必须读图片或 OCR

脚本里的提取逻辑就是遍历所有 w:t 节点：

for node in root.iter(f"{W_NS}t"):

if node.text:

parts.append(node.text)

---

三、XML 命名空间是什么？

问题从哪来？

XML 里标签名可以重复。比如：

• Word 用 <p> 表示段落
• 别的标准也可能用 <p> 表示别的含义

如果混在一起，解析器无法区分。

解决办法：命名空间（Namespace）

给每套标准一个 全球唯一的 ID，标签写成 前缀:标签名，前缀在文件开头绑定到某个 URI：

xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main"

含义是：

• 前缀 w → 绑定到 Word 主命名空间
• <w:p> = Word 的段落
• <w:t> = Word 的文本
• <wp:inline> = 另一个命名空间（Drawing，用于图片布局）

你文件开头实际声明了多个命名空间：

前缀	用途
w	Word 正文（段落、文字）
wp	图片在页面上的位置
pic	图片本身
r	资源关系（如图片 ID 对应哪个 png）

为什么 URI 长得像网址？

http://schemas.openxmlformats.org/... 只是唯一标识符，不是要去访问的网址。
可以把它理解成“这套标签的身份证号”，不会联网。

Python 里为什么要写 W_NS？

ElementTree 解析 XML 时，标签名是 带命名空间的完整名，不是简单的 t，而是：

{http://schemas.openxmlformats.org/wordprocessingml/2006/main}t

所以代码里写：

W_NS = "{http://schemas.openxmlformats.org/wordprocessingml/2006/main}"

root.iter(f"{W_NS}t") # 查找所有 w:t 文本节点

如果写成 root.iter("t")，会找不到任何节点，因为实际标签名不是 t。

---

四、整体流程串起来

需要提取变量.docx

│

▼ zipfile 解压

┌───────────────────┐

│ word/document.xml │ ──► 解析 XML ──► 找 w:t ──► 正则提取变量名

└───────────────────┘ (W_NS + t)

│

▼

┌───────────────────┐

│ word/media/*.png │ ──► 图片里的变量名（需 OCR 或人工核对）

└───────────────────┘

│

▼

variables.txt（105 个变量）

---

五、一句话总结

概念	含义
DOCX = ZIP	文档是多个 XML + 图片等文件的压缩包
document.xml	存段落、文字、图片引用，是正文的核心
w:t	真正可见的文字内容
XML 命名空间	区分不同标准的标签，避免重名；http://... 只是 ID，不联网
W_NS	Python 查找 w:t 时必须用的完整命名空间前缀

如果你愿意，我可以再单独讲 document.xml.rels 里 rId4 如何对应到 image1.png 这条引用链。