Question

我正在尝试从某些docx文件中提取大量文本并将其存储在.txt文件中。

我使用的语言是波斯语/阿拉伯语（它们是从右到左的语言），所以我很难使用python-docx。我无法以适当的形式提取文本，它们全部混入.txt文件中。

import docx

doc = docx.Document('1.docx')
text_file = open('data.txt','w', encoding='utf8')


print(len(doc.paragraphs))

for txt in doc.paragraphs:
    text_file.write(txt.text+'\n')

Answer 1

我认为首先需要定义适当的形式。如果您正在从事NLP项目，则需要句子和句子中的每个单词。我认为以下代码有助于从docx文件中提取文本。（Python 2.7）

# library (using pip for installing the libraries)
import docxpy
import codecs

# read Input file : Input.docx
file = 'Input.docx'

# extract text from file 
text = docxpy.process(file)

# save the extracted text to a text file 
output_txt = codecs.open('Input.txt','w','utf-8')
output_txt.write(text)
output_txt.close()

阅读docxpy文档以获取更多信息： docxpy website

如何以正确的顺序从docx文件中提取阿拉伯语/波斯语（rtl）文本

1 个答案: