使用Python提取和筛选Word文档中的句子

约定不等于承诺〃 2024-03-16 13:17 81阅读 0赞

## 使用Python提取和筛选Word文档中的句子 ##

在Python编程中，我们经常需要处理文本数据。本篇博客将介绍如何使用Python读取Word文档，并提取其中包含特定关键词的句子。我们还将展示如何对提取出的句子进行筛选，例如根据句子的长度或特定字符的出现进行过滤。

### 准备工作 ###

在开始之前，确保你已经安装了以下库：

*  `python-docx`：用于读取和操作Word文档的库。

你可以使用以下命令通过pip安装所需的库：

pip install python-docx

### 提取带有特定关键词的句子 ###

首先，让我们来看看如何提取Word文档中带有特定关键词的句子。我们将使用`python-docx`库来读取文档内容，并使用正则表达式来分割句子。下面是相应的代码：

import re
    from docx import Document
    
    def extract_sentences_with_keyword(docx_file, keyword):
        document = Document(docx_file)
        keyword_sentences = []
    
        for paragraph in document.paragraphs:
            sentences = re.split(r'(?<!\w\.\w.)(?<![A-Z][a-z]\.)(?<=\.|\?)\s', paragraph.text)
            for sentence in sentences:
                if keyword in sentence:
                    keyword_sentences.append(sentence)
    
        return keyword_sentences

以上代码定义了一个名为`extract_sentences_with_keyword`的函数。它接受一个Word文档文件路径和一个关键词作为输入，并返回包含该关键词的句子列表。

### 筛选句子 ###

接下来，我们可以根据句子的长度进行筛选，只保留长度大于给定阈值的句子。下面是相应的代码：

def filter_long_sentences(sentences, min_length):
        filtered_sentences = [sentence for sentence in sentences if len(sentence) > min_length]
        return filtered_sentences

以上代码定义了一个名为`filter_long_sentences`的函数。它接受一个句子列表和最小长度作为输入，并返回长度大于最小长度的句子列表。

### 批量处理多个文档 ###

如果你有多个Word文档需要处理，可以使用以下代码来批量处理多个文档，并将结果保存到新的Word文档中：

import os
    from docx import Document
    
    def extract_sentences_with_keywords(docx_file, keywords):
        document = Document(docx_file)
        keyword_sentences = []
    
        for paragraph in document.paragraphs:
            for sentence in paragraph.text.split('.'):
                for keyword in keywords:
                    if keyword in sentence:
                        keyword_sentence = f"{keyword}: {sentence.strip()}"
                        keyword_sentences.append(keyword_sentence)
                        break
    
        return keyword_sentences
    
    def filter_sentences_without_ABCD(sentences):
        filtered_sentences = []
        for sentence in sentences:
            if not all(char in sentence for char in 'ABCD'):
                filtered_sentences.append(sentence)
        return filtered_sentences
    
    # 创建新的Word文档
    output_doc = Document()
    
    # 处理文件夹中的所有文档
    folder_path = "data"  # 替换为你的文件夹路径
    keywords = ["中药药剂学", "生物利用度", "剂型", "热原表面活性剂", "中成药", "溶出度", "返砂"]
    
    for filename in os.listdir(folder_path):
        if filename.endswith(".docx"):
            file_path = os.path.join(folder_path, filename)
            sentences = extract_sentences_with_keywords(file_path, keywords)
            filtered_sentences = filter_long_sentences(sentences, 40)
            filtered_sentences = filter_sentences_without_ABCD(filtered_sentences)
    
            for sentence in filtered_sentences:
                output_doc.add_paragraph(sentence)
    
    # 保存输出的Word文档
    output_path = "output.docx"  # 替换为你的输出文件路径
    output_doc.save(output_path)

以上代码中，我们创建了一个名为`output_doc`的新文档对象。然后，通过循环遍历指定文件夹中的所有文档，提取包含特定关键词的句子，并进行长度筛选和字符筛选。最后，将满足条件的句子逐句添加到新文档中。

要使用上述代码，将`data`替换为包含要处理的Word文档的文件夹路径，将`output.docx`替换为输出的Word文档的路径。

运行代码后，满足条件的句子将保存在输出的Word文档中。

希望本篇博客对你有所帮助！以上就是使用Python提取和筛选Word文档中的句子的详细步骤和代码示例。使用这些技巧，你可以更轻松地处理和分析文本数据。祝你编程愉快！