如何用Python正则表达式拆分含合同编号的Word文档？

1. 核心思路 #

通过正则定位所有合同编号的起始位置，以此为拆分点将原文档文本分割为对应合同片段，最终保存为独立文件（优先选.txt，拆分/读取更高效；若需.docx可额外扩展）。

2. 分步实现代码 #

完整可运行代码 #

import os
import re
import docx2txt
import textract

def split_word_contracts(input_path, output_dir):
    # 创建输出目录（不存在则自动生成）
    os.makedirs(output_dir, exist_ok=True)
    
    # 读取不同格式的Word文档内容
    if input_path.lower().endswith('.docx'):
        text = docx2txt.process(input_path)
    elif input_path.lower().endswith('.doc'):
        text_bytes = textract.process(input_path)
        text = text_bytes.decode('utf-8', errors='ignore')
    else:
        raise ValueError("仅支持.doc和.docx格式文件")
    
    # 正则匹配所有合同编号及其位置（兼容大小写、任意空白字符）
    pattern = re.compile(r'CONTRACT NUMBER\s+(.+)', re.IGNORECASE)
    matches = list(pattern.finditer(text))
    
    if not matches:
        print("未找到任何合同编号")
        return
    
    # 拆分文本为单个合同片段
    contract_fragments = []
    for i in range(len(matches)):
        start_idx = matches[i].start()
        # 前n-1个合同：到下一个编号的起始位置结束
        if i < len(matches) - 1:
            end_idx = matches[i+1].start()
            fragment = text[start_idx:end_idx].strip()
        # 最后一个合同：到文本结尾结束
        else:
            fragment = text[start_idx:].strip()
        contract_fragments.append((matches[i].group(1).strip(), fragment))
    
    # 保存每个合同文件
    for _, (contract_num, content) in enumerate(contract_fragments, 1):
        # 替换编号中的非法字符，避免文件名报错
        safe_num = re.sub(r'[^\w\-_.]', '_', contract_num)
        output_path = os.path.join(output_dir, f"合同_{safe_num}.txt")
        with open(output_path, 'w', encoding='utf-8') as f:
            f.write(content)
        print(f"已生成文件：{output_path}")

# 调用示例（替换为你的文件路径）
input_file = '/Users/aartimalik/Documents/GitHub/revenue_procurement/pdfs/bidsummaries-doc/100831R0.doc_2026.doc'
output_directory = '/Users/aartimalik/Documents/GitHub/revenue_procurement/pdfs/bidsummaries-doc-test/split_contracts'
split_word_contracts(input_file, output_directory)

3. 关键细节说明 #

• 格式兼容：.docx用docx2txt轻量提取，.doc用textract（依赖系统工具如antiword，编码错误时用errors='ignore'避免崩溃）。
• 正则优化：加入re.IGNORECASE处理大小写混合场景，\s+匹配任意空白字符（换行、多空格、制表符），覆盖更多合同编号格式。
• 文件名安全：替换编号中的非法字符（如/、:），防止生成文件时出错。
• 扩展为.docx输出：若需生成Word格式文件，替换保存部分代码为：

  from docx import Document
  doc = Document()
  doc.add_paragraph(content)
  doc.save(os.path.join(output_dir, f"合同_{safe_num}.docx"))
  

内容的提问来源于stack exchange，提问作者Pepa