使用 python 从 docx 读取自定义编号

Question

我有需要从 docx 读取自定义编号的要求，我使用的是 python-docx 0.8，但它不完全支持编号。我还尝试阅读受保护的属性 para._p.pPr.numPr 但没有成功。 我试图将 docx 提取到 xml 并找到 numbering.xml 和 document.xml 之间的关系。 我在那里也没有取得任何成功，因为 numbering.xml 有公式并且它通过样式标签应用，即 ()或通过 numPr (pPr>)。我试图通过 numbering.xml 找到与 numId 的关系，但也没有运气。

word文档中的编号类似于'[0001]这个应用程序'

Answer 1

想通了！诀窍不是尝试读取 doc 一词，而是转换为 python 可以更容易处理的格式：

1. 打开 .docx 并点击“另存为”...然后选择 .txt
2. 这本身不起作用，我必须进一步选择 UTF-8 编码的子选项。请参见此处的图片，并注意我是在 Mac 上执行此操作的，因此您的保存屏幕可能看起来不同。

完成后，您可以像普通 txt 文件一样读取新文件，包括自定义编号，然后对其进行任何自然语言处理以隔离数字。这是我的（过于简单的）代码：

# Create array called 'doc' where each item in array is line from word doc.
with open('TEST_WORD.txt', 'r') as f:
    doc = f.readlines()

# Function to return just the first word from each line if it starts with a number or a bracket.
def return_first_number(string):
    if string[0] in ['1', '2', '3', '4', '5', '6', '7', '8', '9', '[']:
        return string.split()[0]

# Use function to create a list just of lines that start with a number.
cleaned = [return_first_number(item) for item in doc]

# Get rid of all the "None"s. 
cleaned = [item for item in cleaned if item]

# Print final list
print(cleaned)

out: ['[0001]', '1960s', '[0002]', '1960s', '[0003]', '1960s', '[0004]', '1960s', '1.', '2.']

这绝不是您所需要的。它有一些误报（例如，以 1960 年代开头的一行表示年份），而且我只有一个单词 doc 的样本，因此也可能存在其他边缘情况。但这应该会让你走上正确的道路。

祝你好运！