如何使用regex从Python的Word文档中提取问题

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。 我找到了实现它的无限方式，但我不断收到“ TypeError”。

我试图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-在经济援助适用于您的学费和
费用，剩余的资金将作为退款退还给您
要么直接存入（可以通过您的
帐户）或作为纸质支票邮寄给您。 然后，您可以使用
退还租金。 请务必注意，经济援助可能
到期时无法使用，因此请确保有一个计划
支付租金的地方。 我的经济援助会支付住房费用吗？
“财务”“帮助”“房屋”
资金“大学橡树”
“钱”“ chisho”
“支付”“章”
“授予”“月桂树”
收到房间和补助有什么要求？
我该如何支付房租？
我该如何支付住房费用？

如果还有一种将Word文档导出到其他类型的文件中的简便方法，那么很高兴获得反馈。 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，以便可以将数据导出到csv文件中

Answer 1

您的错误：

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

我相信这是问题的根源。 search()期望将字符串作为第二个参数，但是正在接收Document对象。

您应该做的是使用findall()函数。 search()仅找到模式的第一个匹配项； findall()查找所有匹配项，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。

由于使用的是docx，因此必须提取docx的内容，并将其用作findall()方法的第二个参数。 如果我没记错的话，可以先提取所有段落，然后提取各个段落的文本来完成。 请参阅此问题。

仅供参考，对简单文本文件的处理方式如下：

# 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，您的正则表达式不是很正确，因为虽然从逻辑上讲，仅匹配以?结尾的句子才有意义? ，其中一场比赛是您place to pay your rent. Will my financial aid pay for housing? place to pay your rent. Will my financial aid pay for housing? ， 例如。 该句子的仅第二部分是一个实际的问题。 因此，请丢弃所有小写字母。 您的正则表达式应类似于：

[A-Z].*\?$