用Python读取Word文件并提取标题

前言

在日常工作中，我们经常需要处理Word文档，特别是从中提取关键信息，如标题、段落等。今天，我们将利用Python来实现这一功能，并为大家提供一段完整的代码示例。

准备工作

首先，你需要安装python-docx库，这是一个用于处理Word文档的Python库和collections库，用于数据去重

。你可以使用以下命令安装它：

bash 复制代码

pip install python-docx collections

代码讲解

下面是实现该功能的完整代码：

python 复制代码

#!/usr/bin/env python3
# coding:utf-8
import re
import docx
import os
from collections import OrderedDict


interfere = []
garde = []

'''判断依据'''
first_title = []
first_title1 = []
first_title2 = []

kew_word = ['是', '要']
one_characters = ['①', '②', '③', '④', '⑤', '⑥', '⑦', '⑧', '⑨', '⑩', '⑪', '⑫', '⑬', '⑭', '⑮', '⑯', '⑰', '⑱', '⑲', '⑳', '第', '甲', '乙', '丙', '---', 'Ⅰ', 'Ⅱ', 'Ⅲ', 'Ⅳ', 'Ⅴ', 'Ⅵ', 'Ⅶ', 'Ⅷ', 'Ⅸ', 'Ⅹ']
two_characters = []
three_characters = []
four_characters = []
five_characters = []
year = []
number1 = []
number2 = []
spell = []
spell1 = ['①', '②', '③', '④', '⑤', '⑥', '⑦', '⑧', '⑨', '⑩', '⑪', '⑫', '⑬', '⑭', '⑮', '⑯', '⑰', '⑱', '⑲', '⑳', 'Ⅰ', 'Ⅱ', 'Ⅲ', 'Ⅳ', 'Ⅴ', 'Ⅵ', 'Ⅶ', 'Ⅷ', 'Ⅸ', 'Ⅹ']


def main():
    creat_role()
    path = r'./test'  #  测试文件夹
    file_name = os.listdir(path)
    for i in file_name:
        file_path = path + '\\' + i
        content = read_data(file_path)
        # print(content)
        title = get_title(content)
        get_second_title(title)

    garde_unique = list(OrderedDict.fromkeys(garde))
    for i in garde_unique:
        print(i)


def read_data(filename):
    content = []
    doc = docx.Document(filename)
    for para in doc.paragraphs:
        for r in para.runs:
            if r.bold and 5 < len(r.text) < 50 and r.text[-1] != '，':
                content.append(r.text + 'label')
            else:
                content.append(para.text)
    return content


def get_title(ls):
    title = []
    for i in ls:
        i = re.sub('\s', '', i)
        if len(i) == 0:
            continue
        else:
            if i[:1] in one_characters or i[:2] in two_characters or i[:3] in three_characters or i[:4] in four_characters or i[:5] in five_characters or i[:-5] == 'label':
                title.append(i)
    return title


def get_second_title(ls):
    label = ['<first>', '<second>', '<third>', '<fourth>', '<fifth>']
    mark = []
    number = []
    for i in ls:
        if i[1] == '年' and i[3] != '，':
             continue
        elif str(i[:4]) in year:
            continue
        elif i[:2] == '一九' or i[:2] == '二零':
            continue
        elif i[:2] in first_title or i[:3] in first_title1 or i[:4] in first_title2:
            if '。' in i:
                garde.append(i.split('。')[0] + label[0])
            else:
                garde.append(i + label[0])
            mark = []
        else:
            if i[0] in interfere:
                mark.append('一')
            elif i[:1].isdecimal() == True:
                mark.append('壹')
            elif i[:2].isdecimal() == True:
                mark.append('壹')
            elif i[:1] in spell:
                mark.append('A')
            elif i[:1] in spell1:
                mark.append('①')
            else:
                mark.append((i[:1]))
            result = []
            s = len(set(mark))
            if s == 1:
                garde.append(i.split('。')[0] + label[1])
            elif s == 2:
                ls1 = two_word(mark, result)
                if i[:1] == ls1[0]:
                    garde.append(i.split('。')[0] + label[1])
                else:
                    garde.append(i.split('。')[0] + label[2])
            elif s == 3:
                ls1 = two_word(mark, result)
                if i[:1] == ls1[0]:
                    garde.append(i.split('。')[0] + label[1])
                elif i[:1] == ls1[1]:
                    garde.append(i.split('。')[0] + label[2])
                else:
                    garde.append(i.split('。')[0] + label[3])
            elif s == 4:
                ls1 = two_word(mark, result)
                if i[:1] == ls1[0]:
                    garde.append(i.split('。')[0] + label[1])
                elif i[:1] == ls1[1]:
                    garde.append(i.split('。')[0] + label[2])
                elif i[:1] == ls1[2]:
                    garde.append(i.split('。')[0] + label[3])
                else:
                    garde.append(i.split('。')[0] + label[4])
            else:
                pass


def two_word(ls, ls1):
    for j in ls:
        if j not in ls1:
            ls1.append(j)
    return ls1


def three_word(ls, ls1):
    for j in ls:
        if j not in ls1:
            ls1.append(j)
    return ls1


def four_word(ls, ls1):
    for j in ls:
        if j not in ls1:
            ls1.append(j)
    return ls1


def creat_role():
    basic = ['一', '二', '三', '四', '五', '六', '七', '八', '九', '十']
    '''添加中文序号'''
    for chin in basic:
        one_characters.append(chin)
        interfere.append(chin)
        first_title.append(chin + '、')
        three_characters.append(f'({chin})')
        three_characters.append(f'（{chin}）')
    for chin1 in basic[:-1]:
        two_characters.append(basic[-1] + chin1)
        first_title1.append(basic[-1] + chin1 + '、')
        four_characters.append(f'({basic[-1]}{chin1})')
        four_characters.append(f'（{basic[-1]}{chin1}）')
    for chin2 in basic[1:-1]:
        two_characters.append(chin2 + basic[-1])
        first_title1.append(chin2 + basic[-1] + '、')
        four_characters.append(f'（{chin2}{basic[-1]}）')
    for chin3 in basic[1:-1]:
        for chin4 in basic[:-1]:
            three_characters.append(chin3 + '十' + chin4)
            first_title2.append(chin3 + '十' + chin4 + '、')
            five_characters.append(f'({chin3}十{chin4})')
            five_characters.append(f'（{chin3}十{chin4}）')

    '''添加数字序号'''
    for num in range(1, 10):
        one_characters.append(str(num))
        three_characters.append(f'（{str(num)}）')
        three_characters.append((f'({str(num)})'))
        number1.append(num)
    for num in range(10, 100):
        two_characters.append(str(num))
        four_characters.append(f'({str(num)})')
        four_characters.append(f'（{str(num)}）')
        number2.append(num)

    '''添加英文序号'''
    for letter in range(97, 123):
        one_characters.append(chr(letter))
        three_characters.append(f'({chr(letter)})')
        three_characters.append(f'（{chr(letter)}）')
        spell.append(chr(letter))
    for letter1 in range(65, 91):
        one_characters.append(chr(letter1))
        three_characters.append(f'({chr(letter1)})')
        three_characters.append(f'（{chr(letter1)}）')
        spell.append(chr(letter1))

    '''添加年份'''
    for i in range(1951, 2101):
        year.append(str(i))


if __name__ == '__main__':
    main()

代码解析

初始化判断依据 ：我们定义了许多列表来存储不同类型的序号和干扰字符，如one_characters、two_characters等。这些列表用于后续判断哪些是标题。
读取文档内容 ：read_data函数用于读取Word文档的内容，并将加粗的文本标记为标题候选。
提取标题 ：get_title函数根据一定规则从读取的内容中提取出可能的标题。
分类标题 ：get_second_title函数进一步细分标题的层级，并添加相应的标签（如<first>、<second>等）。
创建角色 ：create_rolecreate函数初始化标题判断依据，包括中文、数字、英文序号等。
去重：OrderedDict函数将重复添加的标题去掉。

项目体验

你可以在我的Gitee仓库中找到完整的项目代码，并下载到本地进行体验。点击以下链接访问项目：

Gitee仓库地址

希望这个教程对你有所帮助，如果有任何问题，欢迎在评论区留言讨论。