如何使用python-docx从文档中提取标题编号？

问题描述

我正在使用python-docx库从docx文档中提取数据，但是我还想要标题号/段落号。我想构建一个校对工具，我需要了解该信息，但是我无法在文本或段落样式中找到该信息。有什么方法可以提取这些信息？ 我可以循环浏览相同标题的标签，但是如果用户在编写文档时未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1,1.1,1.1.1,a字词约定，而是选择使用自己的字词怎么办？

基本上，我想要一种提取这些数字的方法2,2.1,2.2.1,(a)。我该怎么办？

解决方法

我尝试过类似的语言，但是使用的是多语言。

首先，您必须观察标题（1、2、3 ..）和子标题（2.1、2.2 ..），并尝试提取一些常见的东西。他们可能具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，子标题以float（2.1）
4. 文本前和数字后的分隔符（'\ t'或'space'）是什么

观察这些内容，然后尝试构图图案。通过使用正则表达式，我们可以提取所需的内容。

这里是正则表达式，它将满足您的情况。即使是多国语言。

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。因此，尤其是在您的文本是多语言的情况下，请使用[regex] [1]。

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}+)+",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：粗体字或斜体字并不总是在运行级别出现。如果未获取这些参数，则应签入样式和参数级别。