Python新手求助：如何按标点拆分docx文本并实现换行

首先，textract.process()返回的是字节（bytes）类型数据，得先转成字符串才能处理。接下来可以用正则表达式匹配所有以句号、问号、感叹号结尾的句子，既能拆分内容，又能保留标点在句尾。

完整代码示例：

import textract
import re

filename = r'C:\Users\User\Documents\testdocument.docx'
# 读取docx内容并转成字符串
newtext = textract.process(filename).decode('utf-8').strip()

# 匹配所有以.、?、!结尾的句子，[^.?!]+表示匹配任意非标点的字符，直到遇到标点
sentences = re.findall(r'[^.?!]+[.?!]', newtext)

# 遍历打印每个句子，每行一个
for sentence in sentences:
    # 去掉句子前后多余的空格
    print(sentence.strip())

补充说明 #

• 如果docx文件编码不是utf-8，解码时可以换成decode('gbk')试试，根据文件实际编码调整。
• 正则表达式r'[^.?!]+[.?!]'能覆盖大部分常规句子，若遇到省略号（比如...）这类特殊情况，可调整为r'[^.?!]+[.?!]+'来匹配连续标点。

内容的提问来源于stack exchange，提问作者m373117