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，但是我也想要标题编号/段落编号。 我想构建一个校对工具，我需要知道该信息，但是我既找不到文本中的信息，也找不到段落的样式。 有没有办法提取这些信息？ 我可以循环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单词约定1, 1.1, 1.1.1, a并选择使用他们自己的东西呢？

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

我尝试了类似的方法，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。 他们可能有以下一些独特的模式：

1. 粗体
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 'space'）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。

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 regex ( re ) 不向后兼容。 所以使用这个 [regex][1] 尤其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 style 和 para level。