python - 如何使用 python-docx 从 docx 识别分页符

Question

我有几个 .docx 文件，其中包含许多类似的文本 block :docx 文件包含 300 多篇新闻稿，每篇 1-2 页，需要分成单独的文本文件。区分文章之间唯一一致的方法是，两篇文章之间总是且只有一个分页符。

但是，我不知道如何在将包含的Word文档转换为文本时找到分页符，并且使用我当前的脚本转换后分页符信息丢失

我想知道在将 .docx 文件转换为 .txt 时如何保留硬分页符。对我来说，它们在文本文件中的样子并不重要，只要它们在稍后扫描文本文件时是唯一可识别的即可

这是我用来将 docx 文件转换为 txt 的脚本:

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('\n\n'.join(newparatextlist))
    text_file.close()

Answer 1

硬分页符将显示为 <w:br>运行元素 ( <w:r> ) 中的元素，如下所示:

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

因此，一种方法是用独特的文本字符串替换所有这些出现的地方，例如“{{foobar}}”。

它的实现应该是这样的:

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)

我没有时间对此进行测试，因此您可能会遇到一些丢失的导入或其他问题，但您需要的一切都应该已经在 docx 模块中。剩下的就是lxml _Element 上的方法调用。

让我知道您的进展情况，如果需要，我可以进行调整。