基于 python-docx 的 Word 文档解析工具，支持 .docx/.doc 格式文本提取、表格解析与元数据读取，适合批量文档处理与内容分析场景。
说明：
## 核心用法
Word Reader 是一款基于 Python 生态的文档解析技能，核心依赖 `python-docx` 库实现 `.docx` 格式（Office 2007+）的读取，并可选通过 `antiword` 工具扩展对旧版 `.doc` 格式的支持。用户通过 CLI 调用脚本，支持单文件或批量目录处理，输出格式灵活，涵盖纯文本、JSON 结构化数据及 Markdown 三种形态。
功能覆盖五大维度：**文档文本提取**（段落、标题、页眉页脚）、**表格解析**（二维数组化输出）、**图片元数据提取**（文件名、尺寸、描述，不含二进制数据）、**文档属性获取**（作者、标题、创建/修改时间）以及**批量流水线处理**。
### 显著优点
1. **开源生态成熟**：python-docx 为社区广泛维护的成熟库，API 稳定，文档齐全。
2. **输出结构化**：JSON 模式便于下游程序化处理，Markdown 模式适合快速预览与知识库录入。
3. **批量能力**：支持目录级批量转换，内置进度显示，提升运维效率。
4. **编码自适应**：提供 utf-8/gb2312 等编码选项，适配中文环境常见乱码场景。
### 潜在局限
– **图片处理浅层**：仅提取元数据，不包含实际图片二进制内容，需额外工具配合。
– **旧格式依赖外部**：.doc 支持依赖 antiword，Windows/macOS 安装复杂度高于 Linux。
– **复杂格式丢失**：宏、修订标记、复杂样式（如嵌套表格、浮动对象）可能解析不完整。
– **大文件内存压力**：虽声称流式处理，但 Python 生态下超大文档仍可能触发内存瓶颈。
### 适合人群
– 数据分析师、法务合规人员需批量提取合同/报告文本
– 开发者构建文档检索、RAG 知识库流水线
– 运维人员需自动化处理遗留 Office 文档资产
### 常规风险
– **路径注入**：未显式校验输入路径，恶意构造路径可能触发非预期文件读取（需调用方过滤）。
– **依赖供应链**：python-docx 托管于 PyPI，需确保安装源可信，防范 typosquatting 攻击。
– **宏与嵌入对象**：Word 文档 historically 为恶意软件载体，解析过程可能触发内存解析漏洞（虽 python-docx 不执行宏，但文件结构复杂）。
会员专属
