如何使用pythondocx从文档中提取标题号？

我使用PythonDocx库从docx文档中提取数据，但是我还需要标题号/段落号。我想建立一个校对工具，我需要知道这些信息，但是我在文本中找不到这些信息，也找不到段落的风格。有没有办法提取这些信息？ 我可以循环浏览相同标题号的标签，但是如果用户在编写文档时没有使用正确的标题标签呢？ 或者，如果他们选择不使用默认的单词约定

1，1.1，1.1.1，a

，而是选择使用自己的东西，那又该怎么办

---

基本上我想要一种提取这些数字的方法，

2，2.1，2.2.1，（a）

。我怎么做呢？

我试过一个类似的方法，但适用于多语言

首先，你必须观察标题（1，2，3…）和副标题（2.1，2.2…），并尝试提取一些常见的东西。它们可能具有以下一些独特的模式：

粗体文本

字体、大小

标题以int（2）开头，副标题以float（2.1）开头

文本前和数字后的分隔符（'\t'或'space'）是什么

观察这些情况并尝试构建模式。通过使用正则表达式，我们可以提取所需的

这是正则表达式，可以满足您的要求。即使是多语言的

headings = regex.search("\d+\.\t(\p{Lu}+([\s]+)?)+")
subHeadings =regex.search("\d+\.\d+\t\p{Lu}(\p{Ll}+)+")

import regex
from docx import Document
doc = Document("<<Your doc file name here>>")

# Iterate through paragraphs ( in a word everything is a paragraph)
# Even the blank lines are paragraphs
for index, para in enumerate(doc.paragraphs):

# Skipping the blank paragraphs
    if(para.text):
        headings = regex.search("\d+\.\t(\p{Lu}+([\s]+)?)+",para.text,regex.UNICODE)
        subHeadings = regex.search("\d+\.\d+\t\p{Lu}(\p{Ll}+)+",para.text,regex.UNICODE)
        if headings:
            if para.runs:
                for run in para.runs:
                    # At run level checking for bold or italic.
                    if run.bold:
                        print("Bold Heading :",headings.group(0))
                    if run.italic:
                        print("Italic Heading :",headings.group(0))
          if subHeadings :
            if para.runs:
                for run in para.runs:
                    # At run level checking for bold or italic.
                    if run.bold:
                        print("Bold subHeadings :",subHeadings .group(0))
                    if run.italic:
                        print("Italic subHeadings :",subHeadings .group(0))

python正则表达式（re）不向后兼容。所以使用这个[regex][1]，特别是当你的文本是多语言的时候

headings = regex.search("\d+\.\t(\p{Lu}+([\s]+)?)+")
subHeadings =regex.search("\d+\.\d+\t\p{Lu}(\p{Ll}+)+")

import regex
from docx import Document
doc = Document("<<Your doc file name here>>")

# Iterate through paragraphs ( in a word everything is a paragraph)
# Even the blank lines are paragraphs
for index, para in enumerate(doc.paragraphs):

# Skipping the blank paragraphs
    if(para.text):
        headings = regex.search("\d+\.\t(\p{Lu}+([\s]+)?)+",para.text,regex.UNICODE)
        subHeadings = regex.search("\d+\.\d+\t\p{Lu}(\p{Ll}+)+",para.text,regex.UNICODE)
        if headings:
            if para.runs:
                for run in para.runs:
                    # At run level checking for bold or italic.
                    if run.bold:
                        print("Bold Heading :",headings.group(0))
                    if run.italic:
                        print("Italic Heading :",headings.group(0))
          if subHeadings :
            if para.runs:
                for run in para.runs:
                    # At run level checking for bold or italic.
                    if run.bold:
                        print("Bold subHeadings :",subHeadings .group(0))
                    if run.italic:
                        print("Italic subHeadings :",subHeadings .group(0))

导入正则表达式
从docx导入文档
单据=单据（“”）
#反复阅读段落（在一个词中，一切都是段落）
甚至连空白行都是段落
对于索引，枚举中的段落（文件段落）：
跳过空白段落
如果（第段）：
headers=regex.search（“\d+\。\t（\p{Lu}+（[\s]+）？）+”，段落文本，regex.UNICODE）
subHeadings=regex.search（“\d+\.\d+\t\p{Lu}（\p{Ll}+”），para.text，regex.UNICODE）
如果标题：
如果第1.2段运行：
对于磨合段运行：
#在运行级别检查粗体或斜体。
如果为run.bold：
打印（“粗体标题：”，标题组（0））
如果为run.italic：
打印（“斜体标题：”，标题组（0））
如副标题为：
如果第1.2段运行：
对于磨合段运行：
#在运行级别检查粗体或斜体。
如果为run.bold：
打印（“粗体子目：”，子目。第（0）组）
如果为run.italic：
打印（“斜体子目：”，子目。第（0）组）

注意：粗体或斜体在运行级别并不总是存在。如果没有获得这些参数，则应检入样式和段落级别