核心用法
Word Reader 是一款基于 Python 生态的文档解析技能，核心依赖 python-docx 库实现 .docx 格式（Office 2007+）的读取，并可选通过 antiword 工具扩展对旧版 .doc 格式的支持。用户通过 CLI 调用脚本，支持单文件或批量目录处理，输出格式灵活，涵盖纯文本、JSON 结构化数据及 Markdown 三种形态。
功能覆盖五大维度：文档文本提取（段落、标题、页眉页脚）、表格解析（二维数组化输出）、图片元数据提取（文件名、尺寸、描述，不含二进制数据）、文档属性获取（作者、标题、创建/修改时间）以及批量流水线处理。
显著优点
1. 开源生态成熟：python-docx 为社区广泛维护的成熟库，API 稳定，文档齐全。
2. 输出结构化：JSON 模式便于下游程序化处理，Markdown 模式适合快速预览与知识库录入。
3. 批量能力：支持目录级批量转换，内置进度显示，提升运维效率。
4. 编码自适应：提供 utf-8/gb2312 等编码选项，适配中文环境常见乱码场景。
潜在局限
- 图片处理浅层：仅提取元数据，不包含实际图片二进制内容，需额外工具配合。
- 旧格式依赖外部：.doc 支持依赖 antiword，Windows/macOS 安装复杂度高于 Linux。
- 复杂格式丢失：宏、修订标记、复杂样式（如嵌套表格、浮动对象）可能解析不完整。
- 大文件内存压力：虽声称流式处理，但 Python 生态下超大文档仍可能触发内存瓶颈。
适合人群
- 数据分析师、法务合规人员需批量提取合同/报告文本
- 开发者构建文档检索、RAG 知识库流水线
- 运维人员需自动化处理遗留 Office 文档资产
常规风险
- 路径注入：未显式校验输入路径，恶意构造路径可能触发非预期文件读取（需调用方过滤）。
- 依赖供应链：python-docx 托管于 PyPI，需确保安装源可信，防范 typosquatting 攻击。
- 宏与嵌入对象：Word 文档 historically 为恶意软件载体，解析过程可能触发内存解析漏洞（虽 python-docx 不执行宏，但文件结构复杂）。