小李是刚入职场的行政助理，这天领导扔给他30份项目报告，要求统计每份报告的字数，还要提取创建时间和最后修改作者。手动打开一个个Word文档复制粘贴，显然不现实，小李决定用Python试试。
准备工作：安装与导入
操作Word文档最常用的库是python-docx。它只支持.docx格式，老旧的.doc格式需要先转换。
pip install python-docx
安装完成后，在代码中导入。处理日期时间还需要datetime库：
from docx import Document
from datetime import datetime
读取文档属性
Word文档的属性就像文件的“身份证”，记录了标题、作者、创建时间、修改次数等信息。这些信息藏在文档的“Core Properties”部分，python-docx可以轻松读取。
def get_doc_properties(doc_path):
doc = Document(doc_path)
core_props = doc.core_properties
info = {
"标题": core_props.title,
"作者": core_props.author,
"分类": core_props.category,
"状态": core_props.content_status,
"创建时间": core_props.created,
"修改时间": core_props.modified,
"最后保存者": core_props.last_modified_by,
"修订次数": core_props.revision
}
return info
props = get_doc_properties("项目报告.docx")
for key, value in props.items():
print(f"{key}: {value}")
输出结果类似于：
标题: 2024年度项目总结
作者: 张三
创建时间: 2024-12-01 10:30:00
最后保存者: 李四
修订次数: 5
注意created和modified返回的是datetime对象，可以直接用strftime格式化。
字数统计：主体内容
字数统计稍微复杂些。文档里的文字分散在不同的地方：段落、表格、页眉页脚、文本框。先统计最常见的主体段落和表格。
def count_word_document(doc_path):
doc = Document(doc_path)
total_chars = 0
for paragraph in doc.paragraphs:
text = paragraph.text.strip()
total_chars += len(text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
text = cell.text.strip()
total_chars += len(cell.text)
return total_chars
word_count = count_word_document("项目报告.docx")
print(f"文档总字符数: {word_count}")
这里用len(text)统计字符数。对中文来说，每个汉字算1个字符。英文场景下可能需要按空格分词来统计单词数，用len(text.split())即可。
进阶字数统计：包含页眉页脚
页眉页脚往往藏着重要信息，比如公司名称、文档版本。统计它们能让字数更完整。
def count_with_headers(doc_path):
doc = Document(doc_path)
total_chars = 0
for paragraph in doc.paragraphs:
total_chars += len(paragraph.text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
total_chars += len(cell.text)
for section in doc.sections:
header = section.header
for paragraph in header.paragraphs:
total_chars += len(paragraph.text)
footer = section.footer
for paragraph in footer.paragraphs:
total_chars += len(paragraph.text)
return total_chars
通过doc.sections遍历每个节，再分别访问页眉和页脚的段落。
注意事项
段落与Run的区别：python-docx把一段文字拆成多个Run对象，每个Run是一段样式相同的连续文本。直接取paragraph.text会合并所有Run的文本，对字数统计没影响。但如果要统计带格式的文字数量，可以遍历paragraph.runs分别处理。
性能问题：几十上百页的文档，遍历所有表格和段落没问题。上千页的超长文档，建议分页读取或换用更底层的lxml直接解析XML。
分页统计：python-docx本身不提供精确的页数统计。如果依赖分页符来分页，可以用paragraph.contains_page_break判断：
def estimate_pages(doc_path):
doc = Document(doc_path)
page_breaks = sum(1 for p in doc.paragraphs if p.contains_page_break)
return page_breaks + 1
这种方法只对手动插入分页符的文档有效，纯自动排版的文档会返回1。
完整示例：批量处理脚本
把上面内容整合成一个批量处理脚本：
import os
from docx import Document
from datetime import datetime
def analyze_doc(doc_path):
try:
doc = Document(doc_path)
props = doc.core_properties
char_count = 0
for para in doc.paragraphs:
char_count += len(para.text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
char_count += len(cell.text)
return {
"文件": os.path.basename(doc_path),
"字符数": char_count,
"作者": props.author,
"创建时间": props.created.strftime("%Y-%m-%d") if props.created else "未知"
}
except Exception as e:
print(f"处理失败 {doc_path}: {e}")
return None
folder = "./reports"
for filename in os.listdir(folder):
if filename.endswith(".docx"):
full_path = os.path.join(folder, filename)
result = analyze_doc(full_path)
if result:
print(f"{result['文件']} - {result['字符数']}字 - {result['作者']}")
跑一遍脚本，30份报告的字数和作者信息就全部提取出来了。小李把结果导出到Excel，圆满完成了任务。
总结
用python-docx处理Word文档属性与字数统计，核心就三点：doc.core_properties获取元数据、遍历doc.paragraphs和doc.tables统计文字、doc.sections访问页眉页脚。代码量不大，却能把重复劳动彻底自动化。下次领导再丢来一堆文档，就知道怎么优雅应对了。
