如何使用 Python 使用正则表达式从 word doc 中提取问题

Question

我正在使用 docx 库从 word doc 中读取文件，我正在尝试使用正则表达式搜索和匹配仅提取问题。我找到了无限的方法，但我不断收到“TypeError”。

我要提取的数据是这样的：

我的经济援助会支付住房费用吗？
校外住宿 - 经济援助适用于您的学费和
费用后，任何剩余资金将作为退款发送给您，该退款将
直接存入（可以通过您的
帐户设置）或作为纸质支票邮寄给您。然后，您可以使用
退款来支付租金。重要的是要注意，当租金到期时，可能
无法获得经济援助，因此请确保在
地方制定支付租金的计划。我的经济援助会支付住房费用吗？
“财务”“帮助”“房子”
资金“大学橡树”
"钱" "chisho"
“支付”“小伙子”
“授予”“月桂树”
获得房间和补助金的要求是​​什么？
我如何支付我的住房费用？
我如何支付住房费用？

如果还有一种更简单的方法可以将单词 doc 导出到不同类型的文件中，那么很高兴知道反馈。谢谢

我正在使用正则表达式 101，我尝试了以下正则表达式来仅匹配以问号结尾的句子

".*[?=?]$"
"^(W|w).*[?=?]$"
"^[A-Za-z].*[?=?]$"

import re
import sys
from docx import Document

wordDoc = Document('botDoc.docx')

result = re.search('.*[?=?]$', wordDoc)
print(result)
if result:
    print(result.group(0))
for table in wordDoc.tables:
    for row in table.rows:
        for cell in row.cells:
            print("test")

我希望将匹配的模式保存到目录中，以便将数据导出到 csv 文件

Answer 1

您的错误：

result = re.search('.*[?=?]$', wordDoc)

我相信这条线是问题的原因。 search() 期望一个字符串作为第二个参数，但正在接收一个 Document 对象。

您应该做的是使用findall() 函数。 search() 只找到模式的第一个匹配项； findall() 找到 所有 匹配项并将它们作为字符串列表返回，每个字符串代表一个匹配项。

由于您使用的是 docx，因此您必须提取 docx 的内容并将它们用作findall() 方法的第二个参数。如果我没记错的话，这是通过首先提取所有段落，然后提取各个段落的文本来完成的。参考this问题。

仅供参考，您对简单文本文件执行此操作的方式如下：

# Open file
f = open('test.txt', 'r')
# Feed the file text into findall(); it returns a list of all the found strings
strings = re.findall(r'your pattern', f.read())

您的正则表达式：

不幸的是，您的正则表达式并不完全正确，因为尽管在逻辑上只匹配以 ? 结尾的句子是有意义的，但您的匹配项之一是 place to pay your rent. Will my financial aid pay for housing?，例如。只有该句子的第二部分是一个实际问题。所以丢弃任何小写字母。你的正则表达式应该是这样的：

[A-Z].*\?$