Блог

У меня есть несколько файлов .docx, которые содержат несколько похожих блоков текста: файлы docx, содержащие более 300 пресс-релизов по 1-2 страницы каждый, которые необходимо разделить на отдельные текстовые файлы. Единственный последовательный способ определить различия между статьями заключается в том, что между 2 статьями всегда и только разрыв страницы.

Однако я не знаю, как находить разрывы страниц при преобразовании охватывающих документов Word в текст, и информация о разрыве страницы теряется после преобразования с использованием моего текущего скрипта

Я хочу знать, как сохранить ЖЕСТКИЕ разрывы страниц при преобразовании файла .docx в .txt. Для меня не имеет значения, как они выглядят в текстовом файле, если они однозначно идентифицируются при последующем сканировании текстового файла

Вот скрипт, который я использую для преобразования файлов docx в txt:

 def docx2txt(file_path):
    document = opendocx(file_path)
    text_file = open("%s.txt" % file_path[:len(file_path)-5], "w")
    paratextlist = getdocumenttext(document)
    newparatextlist = []
    for paratext in paratextlist:
        newparatextlist.append(paratext.encode("utf-8"))
    text_file.write('nn'.join(newparatextlist))
    text_file.close()
  

Жесткий разрыв страницы появится как <w:br> элемент в run element ( <w:r> ), что-то вроде этого:

 <w:p>
  <w:r>
    <w:t>some text</w:t>
    <w:br w:type="page"/>
  </w:r>
</w:p>
  

Таким образом, одним из подходов было бы заменить все эти вхождения отдельной строкой текста, например, «{{foobar}}».

Реализация этого была бы примерно такой:

 from lxml import etree
from docx import nsprefixes

page_br_elements = document.xpath(
    "//w:p/w:r/w:br[@w:type='page']", namespaces={'w': nsprefixes['w']}
)
for br in page_br_elements:
    t = etree.Element('w:t', nsmap={'w': nsprefixes['w']})
    t.text = '{{foobar}}'
    br.addprevious(t)
    parent = br.getparent()
    parent.remove(br)
  

У меня нет времени проверять это, поэтому вы можете столкнуться с некоторыми отсутствующими импортами или чем-то еще, но все, что вам нужно, уже должно быть в модуле docx. Остальное lxml — это вызовы метода для _Element.

Дайте мне знать, как вы идете, и я могу настроить это, если это необходимо.