我想使用 python-docx 突出显示文件夹中 docx 文件中的正则表达式模式。我可以通过下面的普通正则表达式代码来实现它。
当我想通过 spacy nlp 实现同样的目标时,问题就来了。
from docx import Document
from docx.enum.text import WD_COLOR_INDEX
import pandas as pd
import os
import re
import spacy
nlp = spacy.load("en_core_web_sm")
path = r"/home/coder/Documents/"
doc1 = Document('test.docx')
doc = nlp(doc1)
#re_highlight = re.compile(r"[1-9][0-9]*|0") # This one works.
re_highlight = [token for token in doc if tok.like_num == "TRUE"]
for filename in os.listdir(path):
if filename.endswith(".docx"):
file = "/home/writer/Documents/" + filename
print(file)
for para in doc.paragraphs:
text = para.text
if len(re_highlight.findall(text)) > 0:
matches = re_highlight.finditer(text)
para.text = ''
p3 = 0
for match in matches:
p1 = p3
p2, p3 = match.span()
para.add_run(text[p1:p2])
run = para.add_run(text[p2:p3])
run.font.highlight_color = WD_COLOR_INDEX.YELLOW
para.add_run(text[p3:])
doc.save(file)
错误:
raise ValueError(Errors.E1041.format(type=type(doc_like)))
ValueError:[E1041] 需要一个字符串、文档或字节作为输入,但得到:
我意识到文档没有 doc.paragraphs 作为 nlp 元素。如何解决这个问题?
请帮助。
你不能做
nlp(doc1)
doc1
是一个 Document
对象,你必须提取文本部分并使用它们。我建议改为类似以下内容(在这里为示例文件工作):
import re
from pathlib import Path
import spacy
from docx import Document
from docx.enum.text import WD_COLOR_INDEX
nlp = spacy.load("en_core_web_sm")
def highlight(text):
tokens = (token.text for token in nlp(text) if token.like_num)
return re.compile("|".join(sorted(tokens, key=len, reverse=True)))
path_in = Path("/home/coder/Documents/") # Input folder
path_out = Path("/home/writer/Documents/") # Output folder
for file in path_in.glob("*.docx"):
print(f"Processing file '{file}' ... ", end="")
doc = Document(file)
for para in doc.paragraphs:
text = para.text
para.text = ""
p3 = 0
for match in highlight(text).finditer(text):
p1 = p3
p2, p3 = match.span()
para.add_run(text[p1:p2])
run = para.add_run(text[p2:p3])
run.font.highlight_color = WD_COLOR_INDEX.YELLOW
para.add_run(text[p3:])
doc.save(path_out / file.name)
print("done.")
有可能意外突出显示。如果发生这种情况,您可以尝试使用
def highlight(text):
tokens = (token.text for token in nlp(text) if token.like_num)
pat = r"\b(?:" + "|".join(sorted(tokens, key=len, reverse=True)) + r")\b"
return re.compile(pat)
代替。