python

Question

我有以下代码来拆分 docx 文件的每个段落并附加到列表，但我需要识别 xml 树结构中的分页符并为每个页面创建一个文本列表.如果有帮助，很乐意提供确切的命名空间：

xml_content = document.read('word/document.xml')
tree = XML(xml_content)
aggText = []
#tree.getiterator method looks at previously defined word namespaces
for paragraph in tree.getiterator(PARA):
     texts = [node.text
             for node in paragraph.getiterator(TEXT)
             if node.text]
     if texts:
        aggText.append(''.join(texts))

我想象更新后的循环看起来像下面这样，但不确定在 xml 树结构中定位分页符：

aggText = []
for paragraph in tree.getiterator(PARA):
     texts = [node.text
             for node in paragraph.getiterator(TEXT)
             if node.text]
     #page breaks in xml read 'w:lastRenderedPageBreak'
     #below doesn't work, need a way to search raw xml for the page break identifier
     if texts.count(lastRenderedPageBreak) > 0:
        pages = aggText.append(''.join(texts))
        texts = []

如有任何想法，我们将不胜感激！

Answer 1

在 Mac.

上用 MS Word 2011 创建了一个 Word 文档

Word文档另存为WordXML文档共4页，每页内容如下：

第 1 页
第 2 页
[故意留空]
第 4 页

相关的xml如下：

<w:t>Page1</w:t></w:r></w:p><w:p w14:paraId="7DC7FC1F" w14:textId="77777777" w:rsidR="00147F82" w:rsidRDefault="00147F82"><w:r><w:br w:type="page"/></w:r></w:p><w:p w14:paraId="7C202865" w14:textId="77777777" w:rsidR="00E3126A" w:rsidRDefault="00147F82"><w:r><w:lastRenderedPageBreak/><w:t>Page2</w:t></w:r></w:p><w:p w14:paraId="78BAA3B3" w14:textId="77777777" w:rsidR="00E3126A" w:rsidRDefault="00E3126A"><w:r><w:br w:type="page"/></w:r></w:p><w:p w14:paraId="2B26F15B" w14:textId="77777777" w:rsidR="00E3126A" w:rsidRDefault="00E3126A"><w:r><w:br w:type="page"/></w:r></w:p><w:p w14:paraId="1005F61F" w14:textId="77777777" w:rsidR="00C66DE3" w:rsidRDefault="00E3126A"><w:r><w:t>Page4</w:t>

每页之间有一个 <w:br w:type="page"/></w:r> 标记。

Answer 2

解决方案如下，我也更新了迭代器函数，因为 getiterator() 现在已被弃用。

NAMESPACE = 
'{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
pages = []
PARA = NAMESPACE + 'p'
TEXT = NAMESPACE + 't'
PAGE = NAMESPACE + 'lastRenderedPageBreak'
aggText = ''
for paragraph in tree.iter(PARA):
     aggText += ''.join([node.text
             for node in paragraph.iter(TEXT)
             if node.text])
     if aggText and [node for node in paragraph.iter(PAGE):
        pages.append(aggText)
        aggText = ''
if aggText != '':
     pages.append(aggText)

python - 如何识别 docx 文件中的分页符，并在每个页面中创建文本列表

python - how to identify page breaks within a docx file, and create list of text within each page

xml

nlp

docx

python-3.x