使用Python提取Word文档表格中带编号列表的文本

from docx import Document

def extract_numbered_lists_from_tables(docx_file_path):
    """
    从Word文档的表格中提取带编号的列表项。
    """
    doc = Document(docx_file_path)

    # 遍历文档中的所有表格
    for table in doc.tables:
        # 遍历表格中的每一行
        for row in table.rows:
            # 遍历行中的每一个单元格
            for cell in row.cells:
                # 单元格内的内容由一个或多个段落组成
                for paragraph in cell.paragraphs:
                    # 在此处添加识别编号列表的逻辑
                    pass

from docx import Document

def extract_numbered_lists_from_tables(docx_file_path):
    """
    从Word文档的表格中提取带编号的列表项。
    """
    doc = Document(docx_file_path)
    extracted_lists = []

    for table in doc.tables:
        for row in table.rows:
            for cell in row.cells:
                for paragraph in cell.paragraphs:
                    # 检查段落样式是否为“List Paragraph”
                    # 并辅助检查文本是否以数字和点号开头（例如 '1.', '2.', '3.'）
                    # 注意：startswith('1.') 仅匹配以 '1.' 开头的列表，
                    # 更通用的做法是使用正则表达式匹配多种编号格式。
                    if paragraph.style.name == 'List Paragraph' and 
                       (paragraph.text.startswith(('1.', '2.', '3.', '4.', '5.', '6.', '7.', '8.', '9.')) or 
                        paragraph.text.startswith(('a.', 'b.', 'c.', 'd.'))): # 示例：支持更多编号格式

                        list_item = paragraph.text
                        extracted_lists.append(list_item)
    return extracted_lists

# 示例调用
# file_path = "D5.docx" # 替换为你的Word文档路径
# numbered_items = extract_numbered_lists_from_tables(file_path)
# for item in numbered_items:
#     print(item)

1. 这是第一行列表项，
   它还有第二行内容。

from docx import Document

def extract_numbered_lists_from_tables_optimized(docx_file_path, extract_first_line_only=False):
    """
    从Word文档的表格中提取带编号的列表项，可选择只提取第一行。
    """
    doc = Document(docx_file_path)
    extracted_lists = []

    for table in doc.tables:
        for row in table.rows:
            for cell in row.cells:
                for paragraph in cell.paragraphs:
                    # 使用更通用的正则表达式来匹配编号模式
                    import re
                    # 匹配数字或字母开头的编号，后跟点号或括号，再跟一个空格
                    # 例如：1. A, (a) B, I. C
                    numbered_pattern = re.compile(r'^s*(d+.|([a-zA-Z]+)|[a-zA-Z]+.|d+))s*.*')

                    if paragraph.style.name == 'List Paragraph' and numbered_pattern.match(paragraph.text.strip()):
                        list_item = paragraph.text.strip()

                        if extract_first_line_only:
                            # 如果只需要第一行，则按换行符分割并取第一个元素
                            list_item = list_item.split('\n')[0]

                        extracted_lists.append(list_item)
    return extracted_lists

# 示例调用
file_path = "D5.docx" # 替换为你的Word文档路径

print("--- 提取完整的编号列表项 ---")
full_numbered_items = extract_numbered_lists_from_tables_optimized(file_path, extract_first_line_only=False)
for item in full_numbered_items:
    print(item)

print("
--- 仅提取编号列表项的第一行 ---")
first_line_numbered_items = extract_numbered_lists_from_tables_optimized(file_path, extract_first_line_only=True)
for item in first_line_numbered_items:
    print(item)