這是我的函數還是docx中的缺陷.Python中的文檔

Question

我正在使用docx.Document提取docx文件中的一些突出顯示的文本/單詞，但是由於提取的某些單詞被分成幾部分，所以結果非常明確，例如：

['sniffle', 'irritations', 'enzymes', 'abrasive', 'immunoglobulins', 'histamine', 'leukotriene', 'predisposition', 'an', 'aphylaxis', 'syndrome', 'angioedema', 'contact', 'dermatitis', 'frightening', 'tingling', 'eczema', 'nausea', 'wheezing', 'anaphylaxis', 'lump', 'epinephrine', 'venom sac', 'scrape', 'ointment', 'hydrocortisone', 'calamine', 'loose-fitting', 'swatting', 'birch', 'fact sheet', 'urticarial', 'A', 'ngioedema']

“一個”，“過敏”實際上來自一個詞“過敏”，“ A”，“神經性水腫”實際上來自一個詞“血管性水腫”

我沒有以錯誤的方式突出顯示這兩個詞，比如先突出顯示“ A”，然后突出顯示“ ngioedema”，這是荒謬的。

邏輯很簡單：打開docx->使用段落/游程遍歷文本->將突出顯示的單詞保存在列表中

def preProcess(filepath):
    document = docx.Document(filepath)
    for para in document.paragraphs:
        for run in para.runs:
            if run.font.highlight_color == WD_COLOR_INDEX.YELLOW:
                keyText.append((run.text.lstrip()).rstrip())
                for key in keyText:
                    if '' in keyText:
                        keyText.remove('')
    extractWdFrmDocx(keyText)

顯然，在提取時，一個單詞不能被打斷

Answer 1

段落中的文本可以在任意點處分成多個行，並且跨越多個行的單個單詞很常見。 因此，不能保證在字邊界處發生游程。 如果要提取突出顯示的單詞，則需要一種更復雜的方法。

一種方法是將paragraph.text拆分為單詞，以便您還可以知道運行中每個單詞的第一個字符的起始偏移量。 然后，您可以遍歷運行以標識突出顯示的運行，並累積每次運行開始的偏移量。

您將需要一些巧妙的邏輯來識別哪些單詞在突出顯示的行中，但是提到的所有信息都應該是您要做的。

因此，對於帶有文本“突出顯示的單詞”的段落，您的單詞偏移量將是：

(0, "a"), (2, "highlighted"), (14, "word")

並且您突出顯示的行程（偏移，長度）對可能是：

(2, 4), (6, 7)

據此，您可以計算出(2, highlighted)的第一個字符被突出顯示，並且突出顯示在單詞的其余部分是連續的。

您可能可以簡化邏輯，以選擇突出顯示第一個字符的任何整個單詞，而不必擔心根據需要從單詞中間開始的運行。