Hướng dẫn đọc file Microsoft Word (.docx) với Python

Giới thiệu

File .docx thực chất là file ZIP chứa XML. Thư viện python-docx chủ yếu dùng để tạo file Word, đọc nội dung phức tạp (bảng, hình ảnh, định dạng) hỗ trợ hạn chế. Cách tiếp cận cấp thấp: giải nén ZIP, đọc file word/document.xml.

Cài đặt

pip install python-docx  # Dùng cho phương pháp 2

Phương pháp 1: Đọc XML trực tiếp (low-level)

Phù hợp khi cần truy xuất toàn bộ nội dung thô, không phụ thuộc python-docx.

from zipfile import ZipFile
from urllib.request import urlopen
from io import BytesIO

# Đọc file Word từ URL (hoặc local file)
file_url = 'https://file-examples-com.github.io/uploads/2017/02/file-sample_100kB.docx'
word_bytes = urlopen(file_url).read()
word_file = BytesIO(word_bytes)

# Giải nén và đọc document.xml
document = ZipFile(word_file)
xml_content = document.read('word/document.xml')
print(xml_content.decode('utf-8'))

Kết quả: XML thô chứa toàn bộ nội dung văn bản trong thẻ <w:t>, kèm định dạng phức tạp (namespace w:, style, font, bảng, hyperlink, hình ảnh...).

Phương pháp 2: Dùng python-docx (high-level, chỉ text cơ bản)

import docx

doc = docx.Document('file.docx')

# Đọc tất cả paragraph
for i, para in enumerate(doc.paragraphs):
    if para.text.strip():
        print(f'Para {i}: {para.text}')

# Đọc bảng
for table in doc.tables:
    for row in table.rows:
        cells = [cell.text for cell in row.cells]
        print(' | '.join(cells))

So sánh

Đặc điểm	XML trực tiếp	python-docx
Nội dung text	Đầy đủ (kể cả trong table, header, footer)	Chỉ paragraph thông thường
Định dạng	XML thô, khó xử lý	Đã parse (bold, italic, style)
Bảng (table)	Phải parse XML table	Hỗ trợ tốt `doc.tables`
Hình ảnh	Trong XML relationship	Hỗ trợ trích xuất
Phức tạp triển khai	Cao	Thấp

Khi nào dùng cách nào?

python-docx: Cần đọc text đơn giản, bảng, trích xuất hình ảnh, sửa đổi file.
XML trực tiếp: Cần toàn bộ nội dung thô, xử lý batch, không muốn cài thư viện nặng, hoặc python-docx bỏ lỡ nội dung.

Mẹo: Tìm text trong XML

import xml.etree.ElementTree as ET

root = ET.fromstring(xml_content)
# Namespace
ns = {'w': 'https://schemas.openxmlformats.org/wordprocessingml/2006/main'}

# Tìm tất cả w:t (text)
texts = [elem.text for elem in root.findall('.//w:t', ns) if elem.text]
print(' '.join(texts))