使用spaCy结合python-docx高亮docx内容遇错，求解决方案

问题背景 #

原本用正则表达式（匹配规则[1-9][0-9]*|0）结合python-docx可实现文件夹内docx文件的数字高亮，但改用spaCy的NLP功能时触发错误：

raise ValueError(Errors.E1041.format(type=type(doc_like)))
ValueError: [E1041] Expected a string, Doc, or bytes as input, but got: <class 'docx.document.Document'>

同时发现spaCy处理后的对象不存在paragraphs属性，原代码逻辑存在混淆问题。

错误原因 #

1. spaCy输入类型不兼容：nlp()仅接受字符串、Doc或字节对象，不能直接传入python-docx的Document实例
2. 对象概念混淆：spaCy的Doc对象用于文本分析，没有paragraphs属性；原代码错误将其当作python-docx的文档对象操作
3. 布尔判断错误：token.like_num是布尔类型，不能与字符串"TRUE"做比较，直接使用token.like_num即可
4. 流程逻辑错误：原代码未正确遍历目标文件夹的docx文件，反而错误操作了spaCy的Doc对象

修正后的代码 #

from docx import Document
from docx.enum.text import WD_COLOR_INDEX
import os
import spacy

# 加载spaCy英文分析模型
nlp = spacy.load("en_core_web_sm")

# 目标文件夹路径
path = r"/home/coder/Documents/"

# 遍历文件夹内的docx文件
for filename in os.listdir(path):
    if not filename.endswith(".docx"):
        continue
    
    file_path = os.path.join(path, filename)
    print(f"处理文件: {file_path}")
    
    # 用python-docx打开目标文档
    doc = Document(file_path)
    
    # 逐个处理文档段落
    for para in doc.paragraphs:
        original_text = para.text
        if not original_text:
            continue
        
        # 用spaCy分析当前段落的文本
        spacy_doc = nlp(original_text)
        
        # 收集所有数字token的起止位置
        num_spans = []
        for token in spacy_doc:
            if token.like_num:
                start_idx = token.idx
                end_idx = start_idx + len(token.text)
                num_spans.append((start_idx, end_idx))
        
        if not num_spans:
            continue
        
        # 清空原段落内容，重新构建带高亮的段落
        para.text = ""
        current_pos = 0
        
        for start, end in num_spans:
            # 添加数字前的普通文本
            if start > current_pos:
                para.add_run(original_text[current_pos:start])
            # 添加高亮的数字文本
            num_run = para.add_run(original_text[start:end])
            num_run.font.highlight_color = WD_COLOR_INDEX.YELLOW
            current_pos = end
        
        # 添加段落剩余的普通文本
        if current_pos < len(original_text):
            para.add_run(original_text[current_pos:])
    
    # 保存修改后的文档
    doc.save(file_path)

关键说明 #

1. 分离职责：明确区分python-docx的文档读写操作，与spaCy的文本分析功能，先读取docx段落文本，再传入spaCy处理
2. 精准定位数字：利用spaCy token的idx属性获取数字在原文本中的起始位置，结合len(token.text)得到结束位置，实现精准高亮
3. 段落重构逻辑：和正则实现逻辑一致，清空原段落内容后，按顺序拼接普通文本与高亮数字，最后处理剩余内容
4. 路径优化：用os.path.join()拼接文件路径，避免手动拼接导致的格式错误

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