如何在文本解析的基础上生成文本格式的文件语料库&；Python中MS Word文档的标题？

我正在预处理/准备一批MS Word文档，我自动将其从.doc转换为.docx，以便稍后使用它们来训练具有实体识别的NLP模型。 我是Python编程和Spacy NLP的新手，但我有一些其他语言的编程经验，但现在我最大的问题是“我不知道该做什么或如何做”： 我把文件放在一个文件夹里。我需要解析原始文本和标题（以文档本身的名称，而不是文档中的第一行的名称），以生成一个语料库，稍后将用于训练NLP模型

因为我是个新手，所以我有很多东西要学。所以我已经在这方面做了很多研究。起初，将所有这些.doc文件转换成.docx文件对我来说是一件痛苦的事，但我终于找到了一种方法。 因为我需要从一堆文档中获取标题和文本，所以我假设我需要使用for循环“遍历”文件夹中的文档，我是这样做的：

path='/path/to/folder'
对于os.listdir（路径）中的文件名：
如果filename.endswith（'.docx'）：
path=os.path.join（路径，文件名）

我还尝试了在这个stackoverflow链接中找到的内容（使用本机python docx模块）：

但这给了我这个类型错误：序列项0：预期的str实例，找到的字节数

编辑： TypeError问题解决了，我再次尝试了3种不同的方法从Word文档中提取文本，这一种给了我最好的输出（没有错误）：

' 所以现在我（终于）知道了如何从Word文档中提取好的文本。我仍然需要弄清楚如何在整个文件夹中执行此操作，以及为了制作一个将用于NLP的语料库，我在该过程中的下一步是什么

顺便说一句，我正在Ubuntu 18.04虚拟机和Python 3.6版中使用Pycharm

（我在这篇文章中也用不同的方式解释了我的问题（见评论9）。我昨天发布了这篇文章，是在尝试stackoverflow链接中的内容之前。）

有谁能告诉我从MS Word文档中提取标题的好方法是什么，以便生成SpaCy中使用的文件语料库

---

非常感谢您抽出时间。

请您发布您用于实际尝试从文件中提取文本的代码，以及您得到的TypeError的完整回溯？现在你说你已经尝试了一些东西，但我们看不出到底是什么。你看过这篇文章了吗@TomDalton现在我已经尝试了3种不同的方法从word文档中提取文本。我使用了我在Tiago Duque的链接中找到的代码。我几天前也在尝试这段代码，但不知怎么的，当时它不起作用，但现在它起作用了。我已经编辑了我的文本并在那里编写了代码。作为输出，我不再得到任何错误，但我想知道我应该如何在一大堆文档上这样做，并保存文件以生成NLP语料库。。

´´´
import docx
def getText(filename):
    doc = docx.Document(filename)
    fullText = []
    for para in doc.paragraphs:
    fullText.append(para.text)
return '\n'.join(fullText)

print(getText('test.docx'))