本文目录导读：
告别格式混乱：三种高效脚本方案，一键将文档批量转换为纯净文本
目录导读
- 为什么需要脚本转换？ —— 手动复制粘贴的痛点与场景分析
- Python +
python-docx（针对Word文档） —— 最灵活的跨平台方案 - Pandoc（万能格式转换器） —— 一条命令处理PDF、EPUB、HTML
- Shell脚本（Linux/macOS原生） —— 零依赖的轻量级处理
- 常见问题与避坑指南 —— 编码、表格、图片与特殊字符处理
- 延伸思考：自动化工作流的关键一步 —— 从手动到管道化处理
在日常工作与学习中,我们常会遇到这样的场景：从网上下载的学术论文是PDF格式，复制到笔记软件后排版错乱；老板发来的Word合同需要提取关键字，但密密麻麻的表格和批注让人头疼；或者你需要将一堆TXT、HTML文件整合进一个知识库，而它们各自的换行符和特殊符号互不兼容。
手动打开每个文件,全选、复制、粘贴到纯文本编辑器，再手动清理格式——这个过程不仅耗时，且极易出错。更高效的解决方案是使用脚本，脚本能够批量处理文件，剥离所有格式（加粗、斜体、颜色、页眉页脚），只保留最核心的文字内容，这不仅方便数据检索，也是后续进行自然语言处理、数据分析或AI训练前的必要“清洗”步骤。
以下为你详解三种主流且经过验证的脚本方案,你可以根据操作系统和文件类型灵活选用。
Python + python-docx（针对Word文档）
Python因其丰富的库支持,成为处理文档的首选。python-docx库专门用于读写.docx文件，以下脚本能递归读取指定文件夹内所有Word文档，将段落文本提取并保存为单个TXT文件。
import os
from docx import Document
def convert_docx_to_txt(input_path, output_path):
doc = Document(input_path)
with open(output_path, 'w', encoding='utf-8') as f:
for para in doc.paragraphs:
f.write(para.text + '\n')
# 以下是处理表格中的文字
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
f.write(cell.text + '\t')
f.write('\n')
# 批量处理示例
if __name__ == '__main__':
source_dir = './docs/'
target_dir = './output/'
os.makedirs(target_dir, exist_ok=True)
for filename in os.listdir(source_dir):
if filename.endswith('.docx'):
full_path = os.path.join(source_dir, filename)
out_path = os.path.join(target_dir, filename.replace('.docx', '.txt'))
convert_docx_to_txt(full_path, out_path)
print(f'已转换: {filename}')
核心逻辑：遍历文档对象中的paragraphs（段落）和tables（表格），提取.text属性。注意：此脚本会丢失图片和复杂排版，但保留全部字符内容。
Pandoc（万能格式转换器）
如果你需要处理的文件格式较多,如EPUB电子书、Markdown、HTML甚至LaTeX，那么无需编程，Pandoc就是最强大的命令行工具，它被誉为“文档转换的瑞士军刀”。
安装Pandoc后（支持Windows/macOS/Linux），只需在终端执行一条命令即可将整个目录下的.docx或.epub转为纯文本：
# 将input.epub转换为output.txt
pandoc input.epub -t plain -o output.txt
# 批量转换当前目录所有html文件
for file in *.html; do
pandoc "$file" -t plain -o "${file%.html}.txt"
done
优势：Pandoc内置了强大的解析器，能正确处理脚注、目录、超链接，相比Python脚本，它更不易因文档内部格式异常而崩溃。建议：日常处理PDF时，可以先用pdftotext（Poppler工具集）预处理一步，再结合Pandoc进行二次清洗。
Shell脚本（Linux/macOS原生）
对于Unix系统,sed、awk和tr命令组合能快速去除格式符号，从HTML中提取纯文本并去除所有标签：
#!/bin/bash
for file in "$@"; do
# 用sed去除HTML标签，用sed将多个空行合并为一行
sed 's/<[^>]*>//g' "$file" | sed '/^$/d' > "${file%.html}.txt"
done
这种方案零依赖，特别适合处理服务器上的日志文件或临时文本，但它的缺点是需要熟悉正则表达式，且对于嵌套复杂标签的文档，容易导致数据遗漏。
问答环节
Q1：转换后中文字符出现乱码，怎么办？
A：这通常是编码问题，在Python脚本中，open()函数务必指定encoding='utf-8'，若是处理Windows系统导出的TXT文件，可能需要调整为'gbk'编码，Pandoc则可通过--from=markdown+smart等参数来保证Unicode兼容。
Q2：文档中既有正文又有文本框（Text Box），脚本提取不到文本框内容，该如何解决？
A：python-docx默认不解析文本框，你需要访问doc.element.body遍历XML树中的w:txbxContent节点，虽然代码复杂度上升，但这是确保完整提取的唯一途径，对于Pandoc，通常它会将文本框作为引用块处理，需要测试确认。
Q3：脚本运行速度太慢，处理上千个文件时耗时过长，有没有优化空间？
A：性能瓶颈往往在于磁盘I/O，建议先使用glob模块代替os.listdir以加速文件检索，并关闭Python的自动刷新缓冲区（f.write后不调用flush），如果是Pandoc，尝试增加--quiet参数减少日志输出。
Q4：如何将转换后的纯文本自动合并为一个文件？
A：在Python脚本最后追加一段代码，使用pathlib读取所有生成的TXT文件，使用shutil.copyfileobj按顺序写入目标文件，这样可以避免在命令行中使用复杂的重定向操作。
延伸思考：自动化工作流的关键一步
上述脚本的精髓在于原子性替换，当你能熟练运用这些命令，意味着你已经摆脱了图形界面操作的限制，你可以将脚本集成进CI/CD管道，或者设定为cron定时任务，每晚自动将服务器上的新报告转为纯文本，输入给日志分析系统。
核心提示：在运行任何批量脚本前，务必备份原始文件，脚本虽高效，但也可能因格式兼容问题导致数据丢失（尤其是PDF中的复杂文本框提取），建议先在少量样本上进行测试，输出质量确认无误后再全量执行。
文档转换只是数据处理链条的一小部分,掌握这种“用脚本解决问题”的思路，将帮助你构建一个快速、可复现的个人知识管理体系，告别复制粘贴的重复劳动，把时间留给真正需要思考的创造环节。
