如何用Python结合docx将文本中字典值替换为对应键？

需求说明 #

需要使用python-docx处理Word文档，将字典中值（全称）替换为键（缩写），规则如下：

• 全称首次出现时，保留「全称(缩写)」格式（保留原文本的大小写）
• 后续所有出现的该全称，直接替换为缩写

示例：

字典：{'km': 'Kilometer'}
原文本：'The Kilometer (km) % is very powerful. Blah blah blah blah. The Kilometer this. The Kilometer (km) that km.', 'the Kilometer is called km'
转换后：'The Kilometer (km) % is very powerful. Blah blah blah blah. The km this. The km that km.', 'the km is called km'

原代码问题 #

第一段代码（直接全替换） #

单纯全局替换所有全称为缩写，没有区分首次出现和后续出现的场景，完全不符合需求。

for paragraph in doc.paragraphs:
    for key, value in acronyms.items():
        # Replace the value with the key in the paragraph text
        paragraph.text = paragraph.text.replace(value, key)

第二段代码（尝试处理首次出现） #

存在多处逻辑错误和代码问题：

• 变量名拼写错误（qey、valves），且acronyms[keys]中keys未定义，直接运行会报错
• 错误合并整个文档文本为单一字符串，破坏了原有的段落结构
• 替换逻辑只覆盖了空格、句号的场景，未处理%、逗号等其他边界情况
• 正则匹配的边界处理不严谨，容易出现误匹配或漏匹配

from docx import Document
import re

# Define your acronym dictionary
acronyms = {
    'km': 'kilometer',
    # Add more acronyms as needed
}

print(acronyms[keys])  # 错误：keys未定义
# Open the Word document
doc = Document("acronymnsTest.docx")

# Extract text from the document
document_text = ""

for paragraph in doc.paragraphs:
    document_text += paragraph.text + " "

# Split the document text into words
document_words = document_text.split()
document_words = ' '.join(document_words)

# Create a dictionary for first_used
first_used = {key: False for key in acronyms}

list1 = [document_words]
list2 = []

for qey, valves in acronyms.items():  # 变量名错误：应为key, value
    #print(valves)
    for inputText in list1:
        for key in first_used:
            if first_used[key] is False:
                replacement = "$%^#$$"
                if  valves + '(' + key + ')' in inputText:
                    inputText = re.sub(r'\b' + re.escape(valves) + r'(?=\s|%|\b)', replacement, inputText, count=1)
                    inputText = inputText.replace(' ' + valves + ' ', ' ' + key + ' ')
                    inputText = inputText.replace(' ' + valves + '.', ' ' + key + '.')
                    first_used[key] = True
                    print(inputText)
                    inputText = inputText.replace(replacement, valves)
                    list2.append(inputText)
                elif valves + ' ' + key + ' ' in inputText:
                    replacement = "$%^#$$"
                    inputText = re.sub(r'\b' + re.escape(valves + ' ' + key) + r'(?=\s|%|\b)', replacement, inputText, count=1)
                    inputText = inputText.replace(' ' + valves + ' ', ' ' + key + ' ')
                    inputText = inputText.replace(' ' + valves + '.', ' ' + key + '.')
                    inputText = inputText.replace(replacement, valves + ' (' + key + ')')
                    first_used[key] = True
                    list2.append(inputText)
                elif ' ' + key + ' ' in inputText:
                    replacement = "$%^#$$"
                    inputText = re.sub(r'\b' + re.escape(key) + r'\b', replacement, inputText, count=1)
                    inputText = inputText.replace(' ' + valves + ' ', ' ' + key + ' ')
                    inputText = inputText.replace(' ' + valves + '.', ' ' + key + '.')
                    inputText = inputText.replace(replacement, valves + ' (' + key + ')')
                    first_used[key] = True
                    list2.append(inputText)
                else:
                    pass
                    print("nope")
            else:
                inputText = inputText.replace(' ' + acronyms[key] + ' ', ' ' + key + ' ')
                list2.append(inputText)

# Print or use the modified text
for modified_text in list2:
    print(modified_text)

解决方案 #

以下代码可正确实现需求，严格遵循替换规则，同时处理各种边界情况：

from docx import Document
import re

# 定义缩写字典：键=缩写，值=全称（小写，用于不区分大小写匹配）
acronyms = {
    'km': 'kilometer',
    # 可添加更多条目，例如 'CPU': 'central processing unit'
}

# 标记每个缩写是否已完成首次出现的格式化
first_used = {key: False for key in acronyms}

# 打开目标文档
doc = Document("acronymnsTest.docx")

# 遍历每个段落处理文本
for paragraph in doc.paragraphs:
    current_text = paragraph.text
    for abbr, full_name in acronyms.items():
        if not first_used[abbr]:
            # 匹配第一个出现的全称（不区分大小写，保留原文本大小写）
            # 正则规则：匹配独立单词，后续接非单词字符或文本结尾
            pattern = re.compile(rf'\b(?i)({re.escape(full_name)})\b(?=\W|$)')
            match_result = pattern.search(current_text)
            if match_result:
                # 替换为「原全称(缩写)」格式，保留原大小写
                replacement_str = f"{match_result.group(0)} ({abbr})"
                current_text = pattern.sub(replacement_str, current_text, count=1)
                # 标记该缩写已完成首次格式化
                first_used[abbr] = True
        
        # 替换当前段落中剩余的所有全称为缩写（不区分大小写）
        replace_pattern = re.compile(rf'\b(?i){re.escape(full_name)}\b(?=\W|$)')
        current_text = replace_pattern.sub(abbr, current_text)
    
    # 更新段落文本
    paragraph.text = current_text

# 保存修改后的文档
doc.save("modified_acronyms.docx")

代码说明 #

1. 正则匹配逻辑：
   • (?i)：启用不区分大小写匹配，覆盖Kilometer、kilometer等各种大小写形式
   • \b：确保匹配独立单词，避免误匹配包含全称的其他词汇（例如不会匹配kilometer中的meter）
   • (?=\W|$)：匹配全称后接非单词字符（标点、空格等）或文本结尾的场景，覆盖所有边界情况
2. 首次出现处理：
   • 找到第一个匹配的全称后，保留原文本的大小写，拼接成「全称(缩写)」格式
   • 标记该缩写为已使用，后续段落直接替换所有全称为缩写
3. 段落处理：
   • 逐个处理文档段落，保留原有的段落结构
   • 处理完成后直接更新段落文本，最后保存文档

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