Python使用python-docx批量提取Word文档中的图片

原理与适用场景

Word文档中的图片分为嵌入式（Inline）与浮动式（Floating）。python-docx通过解析XML结构定位图片数据节点，读取二进制流后写入本地磁盘。该方案适用于报告归档、数据可视化素材收集、合同凭证管理以及自动化流水线的图像预处理环节。

第1步：安装依赖环境

操作入口为系统终端或虚拟环境命令行。确保Python版本不低于3.7，执行以下指令拉取官方维护的解析包：

pip install python-docx

完成后可通过import docx无报错即视为环境就绪。

第2步：编写图片提取脚本

目的为遍历文档对象并安全导出二进制数据。将以下代码保存为extract_images.py，修改源文件路径后即可运行：

import docx
import os

def extract_word_images(input_doc, output_dir):
    # 自动创建输出目录
    os.makedirs(output_dir, exist_ok=True)
    
    # 加载文档对象
    doc = docx.Document(input_doc)
    extracted_count = 0
    
    # 遍历所有内嵌图形对象
    for shape in doc.inline_shapes:
        extracted_count += 1
        # DOCX内部图片格式多为PNG或JPG，统一以.png后缀保存便于标准化处理
        filename = os.path.join(output_dir, f"img_{extracted_count}.png")
        with open(filename, "wb") as img_file:
            img_file.write(shape.blob)
            
    print(f"提取完成！共保存 {extracted_count} 张图片至目录: {os.path.abspath(output_dir)}")

# 替换为你的实际Word文件名
extract_word_images("source_report.docx", "output_images/")

关键点说明：
- 使用doc.inline_shapes可直接获取段落、表格及形状容器中的所有嵌入图，避免原稿中仅遍历paragraph.runs[0]导致的遗漏。
- 使用shape.blob读取原始字节流，配合os.path.join保障跨平台路径兼容性。

第3步：执行验证与结果核对

运行脚本后，打开指定输出文件夹检查文件列表。正常状态下，提取出的图片可按常规图像查看器打开，分辨率与原档一致。若需核对数量是否匹配，可在Word中使用「审阅」→「统计」查看媒体对象总数，并与控制台打印的计数进行比对。

常见问题排错

• AttributeError: 'Document' object has no attribute 'inline_shapes'：使用的python-docx版本过低。请升级至最新版pip install --upgrade python-docx。
• 提取后的图片无法打开或显示为空白块：部分Word版本会将高压缩率图片存储为临时缓存格式。尝试在Word中将图片另存为高质量模式后重试，或引入Pillow库对导出文件执行Image.open()强制解码刷新头部。
• 表格内的浮水印未导出：inline_shapes仅覆盖内嵌对象。若需抓取浮动型文本框或艺术字图片，需额外遍历doc.shapes并进行if shape.has_photo_frame:条件过滤。

总结

通过python-docx的标准API组合，可稳定实现Word多媒体资源的无损剥离。掌握上述路径与参数后，可进一步衔接pandas进行数据清洗，或使用Pillow批量裁剪、加水印及格式转换。以上就是Python使用python-docx批量提取Word文档中的图片的详细内容，更多关于Python办公自动化与文档解析的资料请关注本站其它相关文章！