Python解析Word文档并提取含下划线单词至DataFrame的实现方案

依赖安装 #

先安装所需工具库：

pip install python-docx pandas

完整示例代码 #

import docx
import pandas as pd
import re

# 替换为你的目标Word文档路径
doc_path = "your_document.docx"

# 读取Word文档
doc = docx.Document(doc_path)

# 提取文档所有文本（含段落和表格）
all_text = []
# 提取段落文本
for para in doc.paragraphs:
    all_text.append(para.text)
# 提取表格文本（可选，按需启用）
for table in doc.tables:
    for row in table.rows:
        for cell in row.cells:
            all_text.append(cell.text)

# 合并文本并筛选含下划线的单词
combined_text = " ".join(all_text)
# 匹配包含至少一个下划线的完整单词，避免标点干扰
underscore_words = re.findall(r'\b\w*_\w*\b', combined_text)

# 转换为DataFrame并去重（去重步骤可选）
df = pd.DataFrame(underscore_words, columns=["含下划线的单词"])
df = df.drop_duplicates().reset_index(drop=True)

# 输出结果
print(df)

补充说明 #

• 代码仅支持.docx格式文档，若需处理旧版.doc格式，Windows环境可使用pywin32库，跨平台可尝试textract库
• 正则表达式\b\w*_\w*\b会匹配所有包含下划线的完整单词，包括以下划线开头/结尾的情况
• 若不需要去除重复单词，可删除df = df.drop_duplicates().reset_index(drop=True)这一行

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