版权声明:本文为博主原创文章,转载 请注明出处:https://blog.csdn.net/sc2079/article/details/101055192
- 写在前面
最近想练习英语,发现电脑磁盘中有很多流利阅读的资料,文件夹格式为:流利阅读201X年>X月>0101 2019 年度色发布:活力珊瑚橘>mp3、word。由于个人想整合下文章(仅新闻正文),方便打印。手动整理了几篇,发现挺耗时的。因此便想写个脚本,自动化操作。
- 环境配置安装
运行环境:Python3.6、Spyder
依赖模块:win32com、python-docx等
- 开始工作
1.新闻正文获取
一篇流利阅读文章结构有五个部分:今日导读、带着问题听讲解、新闻正文、重点词汇、拓展内容。我的目标就是提取每篇文章的新闻正文,具体方式是寻找到新闻正文开始与结束的段落,即可通过查找“新闻正文”,“重点词汇”可以得到
代码如下:
def getText(file):
doc=docx.Document(file)
start=0 #正文开始点
end=0 #正文开始点
state=1 #读取状态,1为成功,0为失败
for i in range(len(doc.paragraphs)):
if re.search('新闻正文',doc.paragraphs[i].text):
start=i
if re.search('重点词汇',doc.paragraphs[i].text):
end=i
if start==0 or end==0:
state=0
if state==1:
fullText = []
for j in range(end-start):
pa=doc.paragraphs[start+j+1].text.strip('重点词汇')
fullText.append(pa)
else:
print(filename+': read failure!!!')
return '\n'.join(fullText)
这里还有一个问题就是有些文章的格式是doc,由于python-docx仅支持docx,因此这里需要对doc文档进行转化成docx。即有:
try:
doc=docx.Document(file)
except: #doc转docx
word = wc.Dispatch("Word.Application")
doc = word.Documents.Open(file)
(file_path, tempfilename) = os.path.split(file)
(filename, extension) = os.path.splitext(tempfilename)
#print(filename)
file=file_path+filename+'.docx'
doc.SaveAs(file, 12) #12为docx
doc.Close()
doc=docx.Document(file)
2.文件名获取
我这里主要保存了文件名及其相应的文件地址。
#文件目录
path=''
titles1=os.listdir(path)
files=[]
files_name=[]
for title1 in titles1:
titles2=os.listdir(path+'//'+title1)
for title2 in titles2:
titles3=os.listdir(path+'//'+title1+'//'+title2)
for title3 in titles3:
if re.search('doc',os.path.splitext(title3)[1]):
file=path+'//'+title1+'//'+title2+'//'+title3
files.append(file)
files_name.append(title2)
continue
3.定位整合
由于我不想一次性打印这么多的文章,便想定位定数整合。
split=10 #文章数
where=10 #起始
new_doc=docx.Document()
for j in range(split):
try:
text=getText(files[j+where])
new_doc.add_heading(files_name[j+where], 2)
print(text)
new_doc.add_paragraph(text)
except:
pass
new_doc.styles['Normal'].font.name = 'Times New Roman' #西文字体
new_doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'微软雅黑')#中文字体
new_doc.save('xx//流利阅读2019_'+str(where+1)+'_'+str(j+where)+'.docx')
- 结果展示
-写在最后
因本人能力有限且时间不足,所写的脚本简陋且冗杂(嗯,能满足我暂时需求就OK),望请多多包涵与指正。
另写这篇博客的初衷是分享关于word操作的一些实例,希望对你有所帮助。
PS:本文所提及的XX阅读仅供个人学习使用,不进行网络传播,本人概不负相关法律责任。