python docx 一种文档缩略语提取方案

问题描述

提取word文档中的缩略语，并将文档内的缩略语替换为全称

解决方案

首先观察数据，缩小问题范围
发现文档内缩略语基本都以表格方式呈现，一般是两列，有时也有四列，所以只考虑解决缩略语为表格且为2、4列的情况，其他特殊情况（段落等非表格形式，列数不为2、4）不考虑

缩略语判断逻辑主要就是单元格内文本是大写字符串的比例

代码里我写了两种逻辑，V1是判断大写单元格占总的单元格比例，V2是，奇数列大写与偶数列非大写的比例

判断缩略语提取缩略语
def extract_abbreviation(file, cfd=0.1, judgement='V1'):
    start_time = time.time()
    all_abrvt = []
    for table in file.tables:
        try:
            width, length = len(table.columns), len(table.rows)
            if not (width == 2 or width ==4):
                continue
            if judgement == 'V1':   # 判断英文大写占单元格文本比例
                cell_text = [cell.text for row in table.rows for cell in row.cells if cell.text]
                cell_upper = [i for i in cell_text if i.isupper()]
                if 0.4 < (len(cell_upper)+1) / (len(cell