深度解析：从DOCX中智能提取正文、表格和图片

引言

在现代软件开发过程中，测试工程师经常需要处理大量的文档资料。无论是产品说明书、技术规范还是用户手册，这些文档通常以Word（.docx）格式存储。如何快速准确地从中提取所需信息成为了一个挑战。本文将详细介绍一种基于Python的智能方法，通过解析Word文档来提取指定的正文内容、表格以及嵌入的图片，并结合阿里云百炼deepseek-r1接口进行高级应用开发。基于之前的Deepseek API+Python 测试用例一键生成与导出 V1.0.6（加入分块策略，返回更完整可靠），由于读取文档时，未完全适配同时输入文本标题、表格标题、图片标题的情形，本次主要是调试同时输入三种类型标题时的内容预览情况。实测见下图：

---

一、准备工作

首先，确保你已经安装了必要的Python库：

pip install python-docx opencv-python paddleocr lxml

这些库分别用于处理.docx文件（python-docx）、图像处理（opencv-python）、OCR文字识别（paddleocr）以及XML解析（lxml）。

---

二、正文内容提取

代码讲解：

from docx import Document

def extract_content(doc_path, title_keywords):
    result = {
   }
    doc = Document(doc_path)
    # 清理目录部分...
    for keyword in title_keywords.split(','):
        content = []
        capture = False
        for para in doc.paragraphs:
            if keyword in para.text and 'toc' not in para.style.name.lower():
                capture = True
                content.append(para.text.strip())
                continue
            if capture:
                if re.match(r"^\d+(\.\d+)*\s+.+", para.text.strip()):
                    break
                content.append(para.text.strip())
        result[keyword] = "\n".join(content)
    return result