如何使用 python-docx 从文档中提取标题编号？

Question

我正在使用 python-docx 库从 docx 文档中提取数据，但是我还想要标题编号/段落编号。我想构建一个校对工具，我需要知道这些信息，但是 我在文本中找不到该信息，也找不到段落的样式。有什么方法可以提取这些信息吗？ 我可以遍历相同标题编号的标签，但是如果用户在编写文档时没有使用正确的标题标签怎么办？ 或者，如果他们选择不使用默认的字词约定 1, 1.1, 1.1.1, a 而是选择使用自己的东西怎么办？

基本上我想要一种方法来提取这些数字，2, 2.1, 2.2.1, (a)。我该怎么做？

Answer 1

我尝试了一个类似的，但用于多语言。

首先你必须观察标题(1, 2, 3 ..) 和副标题(2.1, 2.2 ..) 并尝试提取一些常见的东西。它们可能具有以下一些独特的模式：

1. 粗体字
2. 字体、大小
3. 标题以 int(2) 开头，副标题以 float (2.1) 开头
4. 文本之前和数字之后的分隔符（'\t' 或'空格'）是什么

观察这些事情并尝试构建模式。通过使用正则表达式，我们可以提取所需的内容。

这是正则表达式，它将满足您的情况。即使是多语言。

headings = regex.search("\d+\.\t(\p{Lu}+([\s]+)?)+")
subHeadings =regex.search("\d+\.\d+\t\p{Lu}(\p{Ll}+)+")

python 正则表达式 ( re ) 不向后兼容。所以使用这个 [regex][1] 特别是如果你的文本是多语言的。

import regex
from docx import Document
doc = Document("<<Your doc file name here>>")

# Iterate through paragraphs ( in a word everything is a paragraph)
# Even the blank lines are paragraphs
for index, para in enumerate(doc.paragraphs):

# Skipping the blank paragraphs
    if(para.text):
        headings = regex.search("\d+\.\t(\p{Lu}+([\s]+)?)+",para.text,regex.UNICODE)
        subHeadings = regex.search("\d+\.\d+\t\p{Lu}(\p{Ll}+)+",para.text,regex.UNICODE)
        if headings:
            if para.runs:
                for run in para.runs:
                    # At run level checking for bold or italic.
                    if run.bold:
                        print("Bold Heading :",headings.group(0))
                    if run.italic:
                        print("Italic Heading :",headings.group(0))
          if subHeadings :
            if para.runs:
                for run in para.runs:
                    # At run level checking for bold or italic.
                    if run.bold:
                        print("Bold subHeadings :",subHeadings .group(0))
                    if run.italic:
                        print("Italic subHeadings :",subHeadings .group(0))

注意：粗体或斜体在运行级别并不总是存在。如果你没有得到这些参数，你应该检查样式和参数级别。