@Tiaohh 这可能是因为其他条件不允许找到该字段。请提供有此字段的文件。
@Tiaohh 在这份文件中，我只看到了 REF 字段，但没有看到 “见第 HYPERLINK \l “_生命体征”\u0014 9.5.1.2.2 节”。 对于 REF 字段，您可以使用下面的代码或删除 field_type 条件，只保留 node.get_field().result 中没有的"_Toc"：
for node in sect.body.get_child_nodes(aw.NodeType.ANY, True):
if node.node_type == aw.NodeType.FIELD_START:
node = node.as_field_start()
if (node.field_type == aw.fields.FieldType.FIELD_HYPERLINK or node.field_type == aw.fields.FieldType.FIELD_REF) and "_Toc" not in node.get_field().result:
import json
import os
import re
import aspose.words as aw
lic = aw.License()
lic_path = "../Aspose.Total.Product.Family.lic"
lic.set_license(lic_path)
import jinja2
import json
import os
import re
import aspose.words as aw
lic = aw.License()
lic_path = "../Aspose.Total.Product.Family.lic"
lic.set_license(lic_path)
import jinja2
#
# def remove_illegal_characters(value):
# if not value:
# return None
#
# original_value = value # 保存原始文本以便比较
#
# # 临时替换函数：提取HYPERLINK中的实际文本
# def replace_hyperlink(match):
# # 查找HYPERLINK格式中的实际文本
# text_match = re.search(r'\u0014(.*?)\u0015', match.group(0))
# if text_match:
# return text_match.group(1) # 返回实际文本
# return '' # 如果没找到文本，返回空字符串
#
# # 第一轮：替换超链接格式为其文本内容
# value = re.sub(r'\u0013\s*HYPERLINK[^\u0015]*?\u0014(.*?)\u0015',
# replace_hyperlink,
# value,
# flags=re.IGNORECASE | re.DOTALL)
#
# # 移除其他格式代码
# patterns_to_remove = [
# r'HYPERLINK\s*\\?l\s*"[^"]*"', # 超链接标记
# r'\*\s*MERGEFORMAT', # 格式标记
# r'[\000-\010\013\014\016-\037]', # 控制字符
# r'\\', # 反斜杠
# ]
#
# for pattern in patterns_to_remove:
# value = re.sub(pattern, '', value, flags=re.IGNORECASE | re.DOTALL)
#
# # 将换行符和多个空格替换为单个空格
# value = re.sub(r'\s+', ' ', value)
# value = value.strip()
#
# # 检查是否丢失了引用编号
# original_refs = re.findall(r'\d+(?:\s*,\s*\d+)*', original_value)
# cleaned_refs = re.findall(r'\d+(?:\s*,\s*\d+)*', value)
#
# # 检查原始文本中有但清理后文本中没有的引用
# for ref in original_refs:
# if ref.strip() not in ' '.join(cleaned_refs) and ref.strip().isdigit():
# # 如果引用数字不在清理后文本中，添加回去
# if value[-1] not in ('.', ',', ':', ';'):
# value += ' ' + ref.strip()
# else:
# value += ref.strip()
#
# return value
def remove_illegal_characters(value):
if not value:
return None
# 第一轮：处理特定格式
specific_patterns = [
r'\u0013.*?\u0015', # 删除域代码及其内容
]
for pattern in specific_patterns:
value = re.sub(pattern, '', value, flags=re.IGNORECASE | re.DOTALL)
# 第二轮：处理一般格式
general_patterns = [
r'[\000-\010\013\014\016-\037]',
r'[\000-\010\013\014\016-\037]',
r'\\', # 反斜杠
]
for pattern in general_patterns:
value = re.sub(pattern, '', value, flags=re.IGNORECASE | re.DOTALL)
return value
# 激活 Aspose.Words 许可证
lic = aw.License()
lic_path = "../Aspose.Total.Product.Family.lic"
lic.set_license(lic_path)
from bs4 import BeautifulSoup
# 读取表格数据函数
def aw_read_table_id(table=None):
# html = table.to_string(aw.SaveFormat.HTML)
# return html
# 将表格转换为HTML
html = table.to_string(aw.SaveFormat.HTML)
# 使用BeautifulSoup解析HTML
soup = BeautifulSoup(html, 'html.parser')
# 删除不需要的标签和属性，仅保留基本结构和合并信息
allowed_tags = ['table', 'tr', 'td']
allowed_attrs = ['rowspan', 'colspan']
for tag in soup.find_all():
if tag.name not in allowed_tags:
tag.unwrap() # 只保留标签中的内容，删除标签本身
else:
# 只保留允许的属性
tag.attrs = {key: value for key, value in tag.attrs.items() if key in allowed_attrs}
# 返回处理后的HTML字符串
clean_html = str(soup)
return clean_html
def a(file):
doc = aw.Document(file)
current_level = 0
data = []
doc.update_list_labels()
stack = []
has_outline = False # 用于标记是否存在大纲级别
all_content = ""
for s in doc.sections:
sect = s.as_section()
for node in sect.body.get_child_nodes(aw.NodeType.ANY, True):
if node.node_type == aw.NodeType.PARAGRAPH:
node = node.as_paragraph()
node.get_child_nodes(aw.NodeType.COMMENT, True).clear()
if node.get_text().strip() and not node.get_ancestor(
aw.NodeType.FIELD_START) and not node.get_ancestor(
aw.NodeType.TABLE):
clean_text = remove_illegal_characters(node.get_text().strip())
all_content += clean_text + "\n"
elif node.node_type == aw.NodeType.TABLE:
parent_node = node.as_table()
table_content = aw_read_table_id(parent_node)
all_content += table_content.replace(' ', '') + "\n"
return {"document_content": all_content}
# 提取文档中的标题和内容函数
def aw_extract_headings_and_contents_table_dict_id(file):
doc = aw.Document(file)
current_level = 0
data = []
doc.update_list_labels()
stack = []
has_outline = False # 用于标记是否存在大纲级别
# 首先检查文档是否包含大纲级别的段落
for s in doc.sections:
sect = s.as_section()
for node in sect.body.get_child_nodes(aw.NodeType.ANY, True):
if node.node_type == aw.NodeType.PARAGRAPH:
node = node.as_paragraph()
if node.paragraph_format.outline_level in [0, 1, 2, 3, 4, 5]:
has_outline = True
break
# 如果没有大纲级别，则读取整个文档内容
if not has_outline:
all_content = ""
for s in doc.sections:
sect = s.as_section()
for node in sect.body.get_child_nodes(aw.NodeType.ANY, True):
if node.node_type == aw.NodeType.PARAGRAPH:
node = node.as_paragraph()
node.get_child_nodes(aw.NodeType.COMMENT, True).clear()
if node.get_text().strip() and not node.get_ancestor(
aw.NodeType.FIELD_START) and not node.get_ancestor(
aw.NodeType.TABLE):
clean_text = remove_illegal_characters(node.get_text().strip())
all_content += clean_text + "\n"
elif node.node_type == aw.NodeType.TABLE:
parent_node = node.as_table()
table_content = aw_read_table_id(parent_node)
all_content += table_content.replace(' ', '') + "\n"
return {"document_content": all_content}
# 如果有大纲级别，使用原来的处理逻辑
for s in doc.sections:
sect = s.as_section()
for node in sect.body.get_child_nodes(aw.NodeType.ANY, True):
if node.node_type == aw.NodeType.PARAGRAPH:
node = node.as_paragraph()
if node.node_type == aw.NodeType.FIELD_START:
node = node.as_field_start()
if node.field_type == aw.fields.FieldType.FIELD_HYPERLINK and "_Toc" not in node.get_field().result:
node.get_field().unlink()
if node.paragraph_format.outline_level in [0, 1, 2, 3, 4, 5]:
if node.node_type == aw.NodeType.FIELD_START:
continue
level = int(node.paragraph_format.outline_level) + 1
if level > current_level:
stack.append((current_level, data))
data = []
current_level = level
elif level < current_level:
while stack and stack[-1][0] >= level:
old_level, old_data = stack.pop()
data = old_data + data
current_level = old_level
label = ''
if node.list_format.is_list_item:
label = node.list_label.label_string
node.get_child_nodes(aw.NodeType.COMMENT, True).clear()
text_without_comments = node.get_text().strip()
data.append({label + text_without_comments: ''})
else:
node.get_child_nodes(aw.NodeType.COMMENT, True).clear()
label = ''
if node.list_format.is_list_item:
label = node.list_label.label_string
node.get_child_nodes(aw.NodeType.COMMENT, True).clear()
if node.get_text().strip() and not node.get_ancestor(
aw.NodeType.TABLE) and not node.get_ancestor(aw.NodeType.FIELD_START) and data:
clean_text = (node.get_text().strip())
data[-1][list(data[-1].keys())[0]] += label + clean_text.replace(' SEQ 表 \* ARABIC ',
'').replace(
'TOC \h \c "表" HYPERLINK \l "_Toc14741"', '').replace(
'\u0013 SEQ 图 \\* ARABIC \u00141\u0015 ', '') + "\n"
if node.node_type == aw.NodeType.TABLE:
parent_node = node.as_table()
table_content = aw_read_table_id(parent_node)
if data:
data[-1][list(data[-1].keys())[0]] += table_content.replace(' ', '')
while stack:
old_level, old_data = stack.pop()
data = old_data + data
merged_dict = {}
for small_dict in data:
for key, value in small_dict.items():
if key:
merged_dict[key] = value
return merged_dict
# 主函数
# 主函数
def process_document(input_file, output_file, force_txt=False):
"""
处理文档并保存内容
Args:
input_file: 输入文档路径
output_file: 输出文件路径
force_txt: 是否强制以纯文本格式保存
"""
os.makedirs(os.path.dirname(output_file), exist_ok=True)
data = aw_extract_headings_and_contents_table_dict_id(input_file)
# data=a(input_file)
if (len(data) == 1 and "document_content" in data):
# 如果强制使用txt格式或文档没有目录结构
content = data.get('document_content', '')
with open(output_file, "w", encoding="utf-8") as f:
f.write(content)
print(f"文档内容已保存为纯文本格式: {output_file}")
else:
# 保存为JSON格式
with open(output_file, "w", encoding="utf-8") as f:
json.dump(data, f, ensure_ascii=False, indent=4)
print(f"文档内容已保存为JSON格式: {output_file}")
input_file = "./数据处理(2)/01 AL8326-CN-011_临床试验方案 （版本号1.0 版本日期2024-07-25）_签字版.docx"
output_file = "result/01 AL8326-CN-011_临床试验方案 （版本号1.0 版本日期2024-07-25）_签字版.json"
try:
# 普通处理
process_document(input_file, output_file)
# 或强制使用txt格式
# process_document(input_file, output_file, force_txt=True)
except Exception as e:
print(f"处理文档时出错: {e}")
不对 你这个代码要放在那里进行处理
@Tiaohh 您正在使用if node.node_type == aw.NodeType.PARAGRAPH: 中的代码，因此没有机会获得字段节点，因为它已经是段落节点了。 在我看来，您根本不需要文档中的字段，因此我建议您在打开文件后尝试使用 doc.unlink_fields() 删除文档中的字段，只留下文本。
[quote=“vyacheslav.deryushev, post:25, topic:313060”]
因此没有机会获得字段节点，因为它已经是段落节点了。 在我看来，您根本不需要文档中的字段，因此我建议您在打开文件后尝试使用 doc.unlink_fields() 删除文档中的字段，只留下文本。
[/quot
4. 1102002_final_tables_20250611.docx (232.4 KB)
q请问这个文件怎么切割成 一个table为一个文件
@Tiaohh 这项任务没有现成的解决方案。对于本文档，您可以获取第一个表格段落 “表 14.1.1”，然后使用 LayoutCollector.get_start_page_index method | Aspose.Words for Python 获取当前表格所在的页码（直到下一个 “表 14.1.2”，以此类推）。获得页码后，您就可以使用 Document.extract_pages method | Aspose.Words for Python 创建包含当前表格的文件。