我想写一个程序来获取我的docx文件,迭代它们,并根据标题将每个文件分割成多个单独的文件。在每个docx中都有一些文章,每个文章下面都有一个“标题1”和文本。

因此,如果我原来的file1.docx有4篇文章,我希望它被分成4个单独的文件,每个文件都有标题和文本。

我到了它迭代所有文件的部分,在这个路径中我保存了.docx文件,我可以分别读取标题和文本,但我似乎找不到一种方法来合并所有文件,并将其拆分为单独的文件,每个文件都有标题和文本。我正在使用python docx库。

import glob

from docx import Document

headings = []

texts = []

def iter_headings(paragraphs):

for paragraph in paragraphs:

if paragraph.style.name.startswith('Heading'):

yield paragraph

def iter_text(paragraphs):

for paragraph in paragraphs:

if paragraph.style.name.startswith('Normal'):

yield paragraph

for name in glob.glob('/*.docx'):

document = Document(name)

for heading in iter_headings(document.paragraphs):

headings.append(heading.text)

for paragraph in iter_text(document.paragraphs):

texts.append(paragraph.text)

print(texts)

如何提取每篇文章的文本和标题?

这是python docx提供的XML阅读。红色大括号标记了我要从每个文件中提取的内容。

对于如何用不同的方法实现我想要的目标,或者是否有一种更简单的方法来处理PDF文件,我愿意接受任何其他的建议。