python中text格式_python读取各种格式的文本

1. 读取word文本

Python可以利用python-docx模块处理word文档，处理方式是面向对象的，python-docx模块会把word文档中的段落、文本、字体等都看做对象，对对象进行处理就是对word文档的内容处理。

1 Document对象，表示一个word文档。

2 Paragraph对象，表示word文档中的一个段落

3 Paragraph对象的text属性，表示段落中的文本内容

首先在cmd命令行中输入pip install python-docx安装 python-docx模块，安装后导入模块，代码如下：

import docx

#获取文档对象

file=docx.Document("D:\\App\\Relevance reconsidered.docx")

print("段落数:"+str(len(file.paragraphs)))

#输出每一段的内容

for para in file.paragraphs:

print(para.text)

#输出段落编号及段落内容

for i in range(len(file.paragraphs)):

print("第"+str(i)+"段的内容是："+file.paragraphs[i].text)

示例代码——从word文档中读取文本，利用python的jieba分词包进行停用词处理和词频统计：

import docx

import jieba

#获取文档对象

file=docx.Document("D:\\App\\Relevance reconsidered.docx")

print("段落数:"+str(len(file.paragraphs)))

text = "" # 接收word文本内容

for para in file.paragraphs:

text += para.text

# print(text)

# 分词

words = jieba.cut(text, cut_all = False)

stopwords=[] # 设置停用词

for word in open(r"D:\App\stop_word.txt",'r'): # 这里加载停用词的路径

stopwords.append(word.strip())

# 停用词过滤

stayed_line=""