如何计算数百份Word文档的预估阅读时间？spaCy/nltk无方法求指引

核心逻辑：阅读时间的计算基础 #

预估阅读时间的核心是文本量统计 + 平均阅读速度：

• 中文：通常按300-500字/分钟计算（正式文档取300，通俗内容取500，可按需调整）
• 英文：通常按200-250词/分钟计算

步骤1：批量读取Word文档内容 #

用python-docx库读取.docx文件的文本内容，这是处理Word文档最直接的工具：

1. 安装库：pip install python-docx
2. 单文档读取示例（支持段落+表格文本提取）：

from docx import Document

def read_docx_text(file_path):
    doc = Document(file_path)
    full_text = []
    # 提取段落文本
    for para in doc.paragraphs:
        full_text.append(para.text.strip())
    # 可选：提取表格中的文本（如果需要统计表格内容）
    for table in doc.tables:
        for row in table.rows:
            for cell in row.cells:
                full_text.append(cell.text.strip())
    return '\n'.join(full_text)

步骤2：统计有效文本量 #

根据语言类型统计有效字数/词数：

• 中文：统计非空白字符数（保留标点，若需排除可添加过滤逻辑）

def count_chinese_chars(text):
    return len([c for c in text if not c.isspace()])

• 英文：用正则匹配单词，排除标点与空白

import re

def count_english_words(text):
    words = re.findall(r'\b\w+\b', text)
    return len(words)

步骤3：计算预估阅读时间 #

结合文本量与预设阅读速度计算时间，支持小时+分钟格式输出：

def calculate_reading_time(text, lang='zh', speed=None):
    if lang == 'zh':
        char_count = count_chinese_chars(text)
        speed = speed or 300
        minutes = round(char_count / speed, 1)
    elif lang == 'en':
        word_count = count_english_words(text)
        speed = speed or 200
        minutes = round(word_count / speed, 1)
    else:
        raise ValueError("仅支持中文(zh)和英文(en)")
    
    hours = int(minutes // 60)
    remaining_minutes = round(minutes % 60, 1)
    if hours > 0:
        return f"{hours}小时{remaining_minutes}分钟"
    else:
        return f"{remaining_minutes}分钟"

步骤4：批量处理数百份文档 #

遍历指定文件夹下的所有.docx文件，批量计算并将结果保存到CSV：

import os
import csv

def batch_process_docx(folder_path, output_csv='reading_time_results.csv', lang='zh', speed=None):
    results = []
    for filename in os.listdir(folder_path):
        if filename.endswith('.docx'):
            file_path = os.path.join(folder_path, filename)
            try:
                text = read_docx_text(file_path)
                reading_time = calculate_reading_time(text, lang, speed)
                count = count_chinese_chars(text) if lang == 'zh' else count_english_words(text)
                results.append({
                    '文件名': filename,
                    '总文本量': count,
                    '预估阅读时间': reading_time
                })
                print(f"已处理：{filename}")
            except Exception as e:
                print(f"处理失败{filename}：{str(e)}")
                results.append({
                    '文件名': filename,
                    '总文本量': '读取失败',
                    '预估阅读时间': '读取失败'
                })
    # 保存结果到CSV
    with open(output_csv, 'w', encoding='utf-8-sig', newline='') as f:
        writer = csv.DictWriter(f, fieldnames=['文件名', '总文本量', '预估阅读时间'])
        writer.writeheader()
        writer.writerows(results)
    print(f"所有处理完成，结果已保存到{output_csv}")

# 调用示例：处理当前目录下的docx文件，中文，阅读速度350字/分钟
# batch_process_docx('./word_docs', lang='zh', speed=350)

注意事项 #

• 若文档包含大量图片、公式等非文本内容，上述方法会自动忽略；若需统计公式文本，需额外处理（如提取LaTeX内容，复杂度较高）
• 阅读速度可根据目标人群调整，比如学生群体可适当降低速度
• 对于.doc旧版Word文件，Windows环境用pywin32读取，Linux/Mac用antiword工具

内容的提问来源于stack exchange，提问作者mrgou