如何用Python提取Google Docs中的评论及对应文本？

问题根源 #

你当前通过documents().get()接口获取文档数据，但该接口不会返回评论信息，必须使用专门的documents.comments.list()接口才能获取评论列表。

修正后的代码 #

from googleapiclient.discovery import build
from googleapiclient.http import Http
import nltk
from nltk.tokenize import sent_tokenize

# 确保下载分句模型
nltk.download('punkt')

def read_comments(comments):
    comment_data = []
    for comment in comments:
        # 提取评论内容
        content = comment['content']
        # 提取被评论文本的位置信息
        comment_range = comment.get('range', {})
        comment_data.append({
            'comment': content,
            'start_index': comment_range.get('startIndex'),
            'end_index': comment_range.get('endIndex')
        })
    return comment_data

def extract_commented_text(doc_content, start_idx, end_idx):
    # 遍历文档内容，提取指定索引范围内的文本
    text = ''
    for element in doc_content:
        if 'paragraph' in element:
            for run in element['paragraph']['elements']:
                if 'textRun' in run:
                    run_text = run['textRun']['content']
                    run_start = run['startIndex']
                    run_end = run_start + len(run_text)
                    # 计算当前文本段与目标范围的交集
                    overlap_start = max(run_start, start_idx)
                    overlap_end = min(run_end, end_idx)
                    if overlap_start < overlap_end:
                        # 截取对应部分文本
                        text += run_text[overlap_start - run_start : overlap_end - run_start]
    return text

def main():
    credentials = get_credentials()
    http = credentials.authorize(Http())
    docs_service = build(
        'docs', 'v1', http=http, discoveryServiceUrl=DISCOVERY_DOC)
    
    # 获取文档内容
    doc = docs_service.documents().get(documentId=DOCUMENT_ID_2).execute()
    doc_content = doc.get('body').get('content')

    # 正确调用评论列表接口
    comments_response = docs_service.documents().comments().list(
        documentId=DOCUMENT_ID_2
    ).execute()
    comments_data = read_comments(comments_response.get('comments', []))

    # 处理并输出评论及对应文本
    for item in comments_data:
        comment_text = item['comment']
        start_idx = item['start_index']
        end_idx = item['end_index']
        # 提取被评论的文本
        commented_text = extract_commented_text(doc_content, start_idx, end_idx) if start_idx and end_idx else '无法获取对应文本'
        
        print(f"评论内容: {comment_text}")
        print(f"被评论文本: {commented_text}")
        
        # 分句处理
        sentences = sent_tokenize(comment_text)
        for sentence in sentences:
            formatted_sentence = "{This is a PB}" + sentence + "{This is a PB}"
            print(formatted_sentence)
        print("---")

if __name__ == '__main__':
    main()

关键说明 #

• 获取评论的正确接口：使用documents.comments.list()替代documents().get()，该接口专门用于获取文档的评论集合。
• 提取被评论文本：每个评论对象包含range字段，其中startIndex和endIndex标记了被评论内容在文档中的位置，通过遍历文档的段落元素，可以精准提取对应范围内的文本。
• 权限注意：确保你的凭证（credentials）拥有https://www.googleapis.com/auth/documents.readonly或更高的权限，否则会无法获取评论数据。

内容的提问来源于stack exchange，提问作者Soham Deshpande