使用正则表达式和 spacy 突出显示 python-docx

Question

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。

Answer 1

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。