将 Word 文档转换为 JSON 是构建自动化文档处理流水线、向 AI 模型输送内容，或将 DOCX 文件中的结构化数据迁移到数据库和 API 时的常见需求。与 CSV 或 XML 不同，JSON 是一种灵活的层级格式，可以在单一输出中表示段落、表格和嵌套的文档结构。

然而，Word 文件本身并不支持 JSON 导出。.docx 文件是由节、段落、样式和表格组成的富文本文档，而非结构化数据源。将其转换为 JSON 时，需要决定如何将内容映射为有意义的结构。

本教程演示如何使用 Spire.Doc for Python 在 Python 中将 Word 转换为 JSON。你将学习三种由浅入深的方法：提取纯段落文本、将 Word 表格转换为 JSON 数组，以及在层级化 JSON 输出中保留完整的文档结构（包括标题、段落和表格）。本教程中的示例同时适用于 Spire.Doc 支持的 DOCX 和旧版 DOC 文件。

快速导航

1. Word 是如何转换为 JSON 的？
2. 安装所需库
3. 方法一：将 Word 文本转换为 JSON
4. 方法二：将 Word 表格转换为 JSON
5. 方法三：在 JSON 中保留文档结构
6. Word 转 JSON 的适用场景
7. 局限性与最佳实践
8. 常见问题
9. 总结

1. Word 是如何转换为 JSON 的？

Word 文档是由节、段落和表格组成的富文本格式，而非结构化数据格式。将 Word 转换为 JSON 时，并没有统一的标准来规定内容的表示方式，合适的结构取决于 JSON 的用途：

例如，一个包含标题和段落的 Word 文档可以用 JSON 表示为：

{
  "document": [
    {"type": "heading", "level": 1, "text": "项目概述"},
    {"type": "paragraph", "text": "本报告汇总了季度业绩情况。"}
  ]
}

本教程的三种方法分别对应上述结构选择：

• 方法一 生成段落数组（适用于 AI 向量化、搜索索引）
• 方法二 生成表格行对象（适用于数据库导入、数据提取）
• 方法三 生成层级结构（适用于 RAG、知识库、文档理解）

选择与你的目标匹配的方法，也可以组合多种方法的元素来构建自定义结构。

2. 安装所需库

本教程使用 Spire.Doc for Python 来读取和解析 DOC/DOCX 文件。通过 pip 安装：

pip install spire.doc

也可以下载 Spire.Doc for Python 并手动集成。

安装完成后，在 Python 脚本中导入该库：

from spire.doc import Document, FileFormat
from spire.doc.common import *

Spire.Doc 提供了加载 Word 文档、遍历节/段落/表格以及提取文本内容等 API，足以构建完整的 Word 转 JSON 流水线。

3. 方法一：将 Word 文本转换为 JSON

将 Word 转换为 JSON 最简单的方式是提取文档中所有段落文本，存入 JSON 数组。当你只需要纯文本内容而不需要结构元数据时（例如全文搜索、AI 文本向量化或简单的内容导出），这种方式非常适用。

3.1 从 Word 文档中读取段落

Spire.Doc 将 Word 文档表示为 Section（节） 的集合，每个节包含若干 Paragraph（段落）。要提取所有文本，需要遍历每个节及其中的每个段落。

from spire.doc import Document
from spire.doc.common import *

input_file = "项目报告.docx"

document = Document()
document.LoadFromFile(input_file)

paragraphs = []
for i in range(document.Sections.Count):
    section = document.Sections.get_Item(i)
    for j in range(section.Paragraphs.Count):
        paragraph = section.Paragraphs.get_Item(j)
        text = paragraph.Text
        if text.strip():
            paragraphs.append(text)

document.Close()

每个段落的 .Text 属性返回纯文本内容，不含格式信息。if text.strip() 检查用于过滤 Word 中作为间距或布局元素存在的空段落。

3.2 将提取的文本序列化为 JSON

假设上一步提取的段落数据存储在 paragraphs 列表中，可以将其序列化为 JSON 并保存到文件：

import json

output_file = "paragraphs.json"

result = {
    "source": input_file,
    "paragraph_count": len(paragraphs),
    "paragraphs": paragraphs
}

with open(output_file, "w", encoding="utf-8") as f:
    json.dump(result, f, indent=2, ensure_ascii=False)

输出示例

以下 JSON 片段展示了生成的输出文件结构：

{
  "source": "项目报告.docx",
  "paragraph_count": 3,
  "paragraphs": [
    "季度销售报告",
    "本文档概述了各区域的销售业绩情况。"
  ]
}

转换结果

下图展示了源 Word 文档和提取段落后生成的 JSON 文件。

3.3 说明

为什么要逐个遍历 Section 和 Paragraph，而不是一次性提取所有文本？因为 Word 文档是层级结构：一个文档包含一个或多个节（每个节有独立的页面布局），每个节又包含若干段落。在这一层级进行遍历，可以灵活控制要包含或跳过哪些内容，比如过滤空段落或仅提取特定节的内容。

将段落存储为 JSON 数组是最直接的结构。每个元素都是一个字符串，下游系统可以轻松消费。此方法适用于：

• 全文索引：将段落文本送入 Elasticsearch 等搜索引擎
• AI 文本向量化：将段落转换为向量表示，用于语义搜索
• 简单内容导出：从 Word 文件中提取可读文本，不含格式

不过，这种方法会丢失结构信息。标题、正文和列表项都会被同等对待。如果需要区分它们，请参见方法三。

如果只是想从 Word 文档中提取文本内容而无需转换为 JSON，也可以参考我们的在 Python 中从 Word 文档提取文本的指南。

4. 方法二：将 Word 表格转换为 JSON

在许多 Word 文档（报表、发票、产品清单、配置表）中，最有价值的内容往往在表格里，而非段落中。将 Word 表格转换为 JSON，可以提取结构化的行列数据，直接加载到数据库、API 或数据分析工具中。

为什么表格需要特殊处理

Word 中的表格以行和单元格的网格形式存储，每个单元格包含自己的段落。与段落文本不同，表格数据具有天然的二维结构，可以自然地映射为 JSON 对象。第一行通常是列标题，后续行是数据记录。

从 Word 文档中提取表格

以下代码读取 Word 文档中的所有表格，以第一行作为列标题，将每个后续行转换为一个 JSON 对象：

import json
from spire.doc import Document
from spire.doc.common import *

input_file = "销售数据.docx"
output_file = "tables.json"

document = Document()
document.LoadFromFile(input_file)

all_tables = []

for i in range(document.Sections.Count):
    section = document.Sections.get_Item(i)
    for t in range(section.Tables.Count):
        table = section.Tables.get_Item(t)
        rows_data = []

        if table.Rows.Count < 2:
            continue

        header_row = table.Rows[0]
        headers = []
        for c in range(header_row.Cells.Count):
            cell_text = header_row.Cells[c].Paragraphs[0].Text.strip()
            headers.append(cell_text)

        for r in range(1, table.Rows.Count):
            row = table.Rows[r]
            row_dict = {}
            for c in range(row.Cells.Count):
                cell_text = row.Cells[c].Paragraphs[0].Text.strip()
                row_dict[headers[c] if c < len(headers) else f"Column_{c}"] = cell_text
            rows_data.append(row_dict)

        all_tables.append({
            "table_index": t,
            "headers": headers,
            "row_count": len(rows_data),
            "rows": rows_data
        })

document.Close()

result = {
    "source": input_file,
    "table_count": len(all_tables),
    "tables": all_tables
}

with open(output_file, "w", encoding="utf-8") as f:
    json.dump(result, f, indent=2, ensure_ascii=False)

输出示例

以下 JSON 片段展示了生成的输出文件结构，每行表格数据以表头为键映射为 JSON 对象：

{
  "source": "销售数据.docx",
  "table_count": 1,
  "tables": [
    {
      "table_index": 0,
      "headers": ["区域", "产品", "销量", "营收"],
      "row_count": 3,
      "rows": [
        {"区域": "华北", "产品": "笔记本电脑", "销量": "120", "营收": "114000"},
        {"区域": "华南", "产品": "笔记本电脑", "销量": "80", "营收": "76000"}
      ]
    }
  ]
}

转换结果

下图展示了 Word 文档中的表格数据如何转换为结构化 JSON 记录。

说明

代码将第一行视为标题行，后续行中每个单元格的值映射到对应的标题键。这会生成一个 JSON 对象数组，是表格数据最常见也最实用的格式。

关键注意事项：

• table.Rows.Count < 2 跳过只有标题行或为空的表格
• row.Cells[c].Paragraphs[0].Text 提取每个单元格中第一段的文本。为简化示例，此处只读取第一段。如果单元格包含多个段落，需要遍历整个 Paragraphs 集合并拼接结果：

cell_text = "\n".join(
    row.Cells[c].Paragraphs[p].Text.strip()
    for p in range(row.Cells[c].Paragraphs.Count)
    if row.Cells[c].Paragraphs[p].Text.strip()
)

• headers[c] if c < len(headers) else f"Column_{c}" 处理数据行的单元格数多于标题行的情况

此方法非常适合从 Word 文档中的报表、发票、产品目录和配置表中提取结构化数据。生成的 JSON 可以直接加载到数据库、用于 Web API 或由数据分析工具处理。

如果需要从结构化 JSON 数据生成 Word 文档，请参阅我们的在 Python 中将 JSON 转换为 Word 的教程，其中介绍了如何从 JSON 对象和数组直接创建 Word 内容和表格。

5. 方法三：在 JSON 中保留文档结构

方法一和方法二将段落和表格视为独立的、彼此隔离的元素。但实际上，Word 文档具有有意义的层级关系：标题引出章节，段落提供细节，表格在特定上下文中呈现结构化数据。

在 JSON 中保留这种层级关系，产出的结果对于知识库构建、RAG（检索增强生成）流水线和文档理解系统来说要实用得多。你得到的不再是扁平的文本列表，而是一个保留了原文逻辑脉络的结构化表示。

如何在层级化 JSON 结构中保留标题、段落和表格

具体做法是遍历每个节正文中的所有子对象，判断每个对象的类型（段落或表格），并据此构建结构化的 JSON 表示。对于段落，可以通过检查 StyleName 属性来识别标题。

import json
from spire.doc import *
from spire.doc.common import *

input_file = "项目报告.docx"
output_file = "structured_output.json"

HEADING_STYLES = {
    "Heading1": 1,
    "Heading2": 2,
    "Heading3": 3,
    "Heading4": 4,
}

def get_heading_level(style_name):
    return HEADING_STYLES.get(style_name, None)

def extract_table_data(table):
    rows_data = []
    if table.Rows.Count < 1:
        return {"headers": [], "rows": []}

    header_row = table.Rows[0]
    headers = []
    for c in range(header_row.Cells.Count):
        headers.append(header_row.Cells[c].Paragraphs[0].Text.strip())

    for r in range(1, table.Rows.Count):
        row = table.Rows[r]
        row_dict = {}
        for c in range(row.Cells.Count):
            cell_text = row.Cells[c].Paragraphs[0].Text.strip()
            row_dict[headers[c] if c < len(headers) else f"Column_{c}"] = cell_text
        rows_data.append(row_dict)

    return {"headers": headers, "rows": rows_data}

document = Document()
document.LoadFromFile(input_file)

sections_data = []

for i in range(document.Sections.Count):
    section = document.Sections.get_Item(i)
    content_items = []

    for j in range(section.Body.ChildObjects.Count):
        obj = section.Body.ChildObjects.get_Item(j)

        if isinstance(obj, Paragraph):
            text = obj.Text.strip()
            if not text:
                continue

            heading_level = get_heading_level(obj.StyleName)
            if heading_level:
                content_items.append({
                    "type": "heading",
                    "level": heading_level,
                    "text": text
                })
            else:
                content_items.append({
                    "type": "paragraph",
                    "text": text
                })

        elif isinstance(obj, Table):
            table_data = extract_table_data(obj)
            content_items.append({
                "type": "table",
                "row_count": len(table_data["rows"]),
                "data": table_data
            })

    sections_data.append({
        "section_index": i,
        "content": content_items
    })

document.Close()

result = {
    "source": input_file,
    "section_count": len(sections_data),
    "sections": sections_data
}

with open(output_file, "w", encoding="utf-8") as f:
    json.dump(result, f, indent=2, ensure_ascii=False)

输出示例

以下 JSON 片段展示了标题、段落和表格在层级化输出结构中的表示方式：

{
  "source": "项目报告.docx",
  "section_count": 1,
  "sections": [
    {
      "section_index": 0,
      "content": [
        {
          "type": "heading",
          "level": 1,
          "text": "季度销售报告"
        },
        {
          "type": "paragraph",
          "text": "本报告概述了各区域的销售业绩情况。"
        },
        {
          "type": "heading",
          "level": 2,
          "text": "区域明细"
        },
        {
          "type": "table",
          "row_count": 3,
          "data": {
            "headers": ["区域", "产品", "销量", "营收"],
            "rows": [
              {"区域": "华北", "产品": "笔记本电脑", "销量": "120", "营收": "114000"}
            ]
          }
        }
      ]
    }
  ]
}

转换结果

下图展示了标题、段落和表格如何在层级化 JSON 结构中得以保留。

说明

此方法与前两种的根本区别在于：它使用 section.Body.ChildObjects 按文档顺序遍历所有内容元素，而非分别遍历段落和表格。这样可以保留标题、段落和表格的原始顺序与交错关系。

关键设计决策：

• 通过 StyleName 检测标题：Word 中的标题是应用了"Heading1"、"Heading2"等样式的段落。检查样式名可以区分标题与正文，并记录标题级别。注意，具体的标题样式名可能因 Word 模板或语言设置而异（例如带空格的"Heading 1"，或中文环境下的"标题 1"）。为处理这些差异，可以在查找前对样式名进行归一化：

def get_heading_level(style_name):
    normalized = style_name.lower().replace(" ", "")
    heading_map = {"heading1": 1, "heading2": 2, "heading3": 3, "heading4": 4}
    return heading_map.get(normalized, None)

• ChildObjects 遍历：与 section.Paragraphs（仅返回段落）或 section.Tables（仅返回表格）不同，ChildObjects 按原始顺序返回所有元素。这对保留文档的逻辑结构至关重要。
• 结构化 JSON 输出：每个内容项都包含 type 字段（heading、paragraph 或 table），下游系统可以据此对不同内容类型进行相应处理。

此方法特别适用于：

• RAG 和 AI 流水线：标题结构支持按章节切分文档，提升检索精度
• 知识库构建：层级化 JSON 可以直接映射为树状知识图谱
• 文档理解：保留标题与其关联内容的关系，便于对文档各章节进行语义分析

如果需要从 Word 文档中提取特定类型的内容（如标题、段落或表格），请参阅我们的在 Python 中读取 Word 文档的教程，其中更详细地介绍了内容提取技术。

6. Word 转 JSON 的适用场景

Word 转 JSON 适用于任何需要从 Word 文档中大规模提取结构化数据的场景，常见用例包括：

• AI 和 RAG 文档处理：将 Word 文档转换为 JSON 数据块，用于 LLM 应用中的向量化和检索。方法三的层级结构支持按章节切分，比扁平文本分割的检索效果更好。
• 知识库构建：从以 .docx 文件存储的技术文档、政策文件或操作手册中构建结构化知识库。
• 批量数据提取：从数百份 Word 报表、发票或表单中提取数据，将结果加载到数据库或数据仓库中。
• 合同与简历解析：将法律合同、人事文档或简历转换为结构化 JSON，用于自动化分析和比对。
• API 和 Web 应用的数据交换：通过 REST API 以 JSON 形式提供 Word 文档内容，使 Web 和移动应用无需直接处理 .docx 文件即可消费文档数据。

7. 局限性与最佳实践

局限性

• 没有通用的 Word JSON 结构标准：与 CSV 或 XML 不同，目前没有普遍接受的 Word 内容 JSON 表示格式。你需要根据具体用例来设计结构。
• 复杂格式无法捕获：本教程中的方法提取文本内容和基本的结构元数据（标题级别、表格数据），但不包括字体、颜色、图片、页面布局、页眉/页脚或脚注。如果你的应用需要这些元素，需要额外编写提取逻辑。
• 合并单元格需要特殊处理：Word 表格可以包含合并单元格（水平和垂直均支持）。方法二的逐行提取假设的是规则网格，包含合并单元格的文档可能会产生意外结果。
• 大型文档可能需要分块处理：对于数百页或包含数十个表格的文档，建议逐节或逐表处理，以控制内存占用。

最佳实践

• 先设计 JSON 结构，再编写代码：明确你需要什么（仅文本？标题？表格？完整结构？），然后选择合适的提取方法。
• 用样本文档验证输出：Word 文档的结构和格式差异很大，请用实际文档集中的代表性样本测试转换逻辑。
• 显式指定编码：写入 JSON 文件时始终指定 encoding="utf-8"，避免非 ASCII 文本的编码问题。
• 在 json.dump 中使用 ensure_ascii=False：这可以保留输出中的 Unicode 字符，而非将其转义，对于包含非英文文本的文档尤为重要。

8. 常见问题

可以在 Python 中将 DOCX 转换为 JSON 吗？

可以。使用 Spire.Doc for Python 加载任意 .docx 文件，遍历其中的节、段落和表格，然后用 Python 内置的 json 模块将提取的内容序列化为 JSON。本教程演示了三种方法，从简单的文本提取到完整的结构保留。

开发者最好的 Word 转 JSON 工具是什么？

对于需要批量处理、自动化或自定义 JSON 结构的开发者来说，使用 Spire.Doc 的 Python 方案比在线转换器更灵活。在线工具适用于一次性转换，但无法应对大规模处理、自定义输出格式或集成到自动化流水线中的需求。

可以将 Word 表格转换为 JSON 吗？

可以。遍历 Word 文档中的表格并逐行提取单元格文本，即可将表格数据转换为 JSON 对象数组。本教程的方法二演示了基于表头的键映射方式。

Word 有原生的 JSON 导出选项吗？

没有。Microsoft Word 没有提供内置的 JSON 导出格式。Word 文件可以保存为 DOCX、PDF、HTML、RTF 和纯文本，但转换为 JSON 需要通过编程方式读取文档结构并映射为 JSON 结构。

将 Word 转换为 JSON 时可以保留标题和结构吗？

可以。遍历每个节正文中的所有子对象并检查段落样式名，可以识别标题、正文段落和表格，然后构建保留文档逻辑组织的层级化 JSON 结构。本教程的方法三提供了完整实现。

可以在线将 Word 转换为 JSON 吗？

可以，市面上有在线 Word 转 JSON 工具，能处理一次性转换。但在线工具仅支持单文件处理，且无法自定义 JSON 结构。对于批量处理、自动化流水线或自定义输出结构，使用 Spire.Doc 的 Python 方案更实用，扩展性也更好。

9. 总结

本文演示了如何使用 Spire.Doc for Python 在 Python 中将 Word 文档转换为 JSON。我们介绍了三种复杂度递增的方法：将段落文本提取为扁平 JSON 数组、将 Word 表格转换为结构化 JSON 对象，以及在单一 JSON 输出中保留完整的文档层级（包括标题、段落和表格）。

每种方法各有侧重：纯文本提取适用于索引和向量化，表格提取适用于数据迁移和报表解析，完整结构保留适用于知识库构建和 RAG 流水线。选择与你的需求匹配的方法，并根据具体用例扩展 JSON 结构即可。

Spire.Doc for Python 除了 JSON 转换外，还提供全面的 Word 文档处理能力，包括文档创建、格式设置、邮件合并和格式转换。你可以申请 30 天免费许可证来评估所有功能。