Skip to main content
 首页 » 编程设计

python之如何在 Python 中从多个 docx 文件创建语料库

2025年02月15日8kevingrace

我有一个包含 10 个 docx 文件的文件夹。我正在尝试创建一个语料库,它应该是一个长度为 10 的列表。列表的每个元素都应该引用每个 docx 文档的文本。

我有以下功能可以从 docx 文件中提取文本:

            import os 
            from nltk.corpus.reader.plaintext import PlaintextCorpusReader 
            import glob  
            from docx import * 
            def getText(filename): 
                document = Document(filename) 
 
                newparatextlist = [] 
                for paragraph in document.paragraphs: 
                    newparatextlist.append(paragraph.text.strip().encode("utf-8"))  
                return newparatextlist 
 
            path = 'pat_to_folder/*.docx'    
            files=glob.glob(path)   
 
            corpus_list = [] 
            for f in files: 
                cur_corpus = getText(f) 
                corpus_list.append(cur_corpus) 
 
            corpus_list[0]  

但是如果我的word文档中有如下内容: http://www.actus-usa.com/sampleresume.doc https://www.myinterfase.com/sjfc/resources/resource_view.aspx?resource_id=53

上面的函数创建了一个list of list。我怎样才能简单地从文件中创建一个语料库?

TIA!

请您参考如下方法:

我尝试了一些不同的方法来解决我的问题。它还包括将各种 docx 文件加载到语料库中……我对您的代码做了一些细微的更改!

    def getText(filename): 
        doc = Document(filename) 
        fullText = [] 
        for para in doc.paragraphs: 
            fullText.append(para.text.strip("\n")) 
        return " ".join(fullText) 
 
    PATH = "path_to_folder/*.docx" 
    files = glob.glob(PATH) 
 
    corpus_list = [] 
    for f in files: 
        cur_corpus = getText(f) 
        corpus_list.append(cur_corpus) 

希望这能解决问题!