python - Pandas：如何读取 docx 文件并将其正确剪切到数据框中？

Question

我有 docx 文件，我想以以下格式正确加载到 Doccano：

{"text": "EU rejects German call to boycott British lamb."}
{"text": "Peter Blackburn"}
...
{"text": "President Obama"}

我的目标是使“文本”值的长度大致相同，并且在“文本”值的末尾有一些干净的东西（以点或 ; 结尾）

我考虑过使用这个：https ://gist.github.com/etienned/7539105来阅读 docx 文件并有段落。

这个功能：

try:
    from xml.etree.cElementTree import XML
except ImportError:
    from xml.etree.ElementTree import XML
import zipfile


"""
Module that extract text from MS XML Word document (.docx).
(Inspired by python-docx <https://github.com/mikemaccana/python-docx>)
"""

WORD_NAMESPACE = '{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
PARA = WORD_NAMESPACE + 'p'
TEXT = WORD_NAMESPACE + 't'


def get_docx_text(path):
    """
    Take the path of a docx file as argument, return the text in unicode.
    """
    document = zipfile.ZipFile(path)
    xml_content = document.read('word/document.xml')
    document.close()
    tree = XML(xml_content)

    paragraphs = []
    for paragraph in tree.getiterator(PARA):
        texts = [node.text
                 for node in paragraph.getiterator(TEXT)
                 if node.text]
        if texts:
            paragraphs.append(''.join(texts))

    return '\n\n'.join(paragraphs)

接下来将所有内容连接起来以获得大文本并将其剪切以在“文本”值中进行干净的重新分区，但不确定这是否是好方法。

有人可以知道该怎么做吗？

标签： pythonpandas