word中存在非标准字符,如拉丁字母。在上一节讲到的替换word关键内容基础上,这节将找出没被替换的内容,自己在word上手动标记。135条查重内容中,有9条是没被识别的。
#用python我们可以抓取网页,表格,JSON这种半结构化的数据,那么word文档中的内容这种非结构化的数据我们如何抓取呢。
# check_13=re.findall("thetihuan13",file_text) #筛选命名的方式需要注意,不然会从thetihuan130中提取thetihuan13,建议采用Aa1-99,Bb--
# print(check_13)
import re
import docx
import csv
def get_file(path):
'''获取文件'''
#获得word文档
file = docx.Document(path)
print(file)
preproccess_file(file)
return file
def preproccess_file(file):
'''文件预处理'''
#输出文档段落数(行数)
paragraph_sum = len(file.paragraphs)
#print(paragraph_sum)
'''#输出每一段的内容'''
para_list = []
for para in file.paragraphs:
# print(para.text)
para_list.append(para.text)
'''#合并字符串'''
file_text = ''.join(para_list)
# fi