新浪博客
SPAN>docx
定义两个变量，file存储原始Word文档，new_file存储新生成的Word文档。
file = docx.Document('E:\original.docx')
new_file = docx.Document()
然后定义一些匹配规则：
#匹配所有不是汉字的字符，包括：括号、不可见字符、中文标点符号、数字、字母、拼音
rule = re.compile(r'[()]|\s|[\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]|[0-9]|\b[a-z]*[āáǎàōóǒòêēéěèīíǐìūúǔùǖǘǚǜüńňǹɑbcdefghijklmnopqrstuwxyz
#匹配所有不是字母和拼音的字符，包括：右括号、不可见字符、中文标点符号、数字、汉字
rule1 = re.compile(r'[)]|\s|[\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]|[0-9]|[\u4e00-\u9fa5]')
#匹配左括号
rule2 = re.compile(r'[(]')
#匹配各年级
#rule1 = re.compile(r'^[一二三四五六]')
#匹配具体的词：识字，课文
rule3 = re.compile(r'^[识字]|^课文')
定义两个字符串，new_text用来存储整理之后的汉字，new_text1用来存储整理之后的拼音。
#new_text用来存储汉字
new_text = ''
#new_text1用来存储拼音
new_text1 = ''
下面是程序的核心部分：
para表示原始文档中的一段，按照段落匹配正则表达式的各种规则。
注意：
（1）para.text.endswith('个')是用来判断一个字符串是不是以'个'这个字符结尾。也可以用正则表达式匹配的方法：re.match(rule1, para.text), rule1的定义是rule1 = re.compile(r'^[一二三四五六]')这里^表示Not.
（2）new_text1 = re.sub(rule2, '-', new_text1) 这里用了将拼音的左括号(替换成连字符-的方法，所以在写入new_file的时候，要将new_text1开头的第一个连字符去掉。去掉的方法是new_text1[1:]，这里表示从new_text1这个字符串的第1个字符开始（而不是从第0个字符开始），类似地，如果想去掉最后一个字符，可以用new_text1[:-1]表示。
（3）将整理好的段落加入到新文档new_file里：用new_file.add_paragraph(para.text)添加原始文档中的标题文字，用new_file.add_paragraph(new_text)添加汉字段落，用new_file.add_paragraph(new_text1[1:])添加拼音段落。
（4）用下面的continue的方法过滤掉“识字”、“课文”这样的不需要的段落。
if re.match(rule3, para.text):
continue
for para in file.paragraphs:
if para.text.endswith('个'):
#if re.match(rule1, para.text): 这是正则表达式的匹配方法
if len(new_text) > 0:
new_file.add_paragraph(new_text)
new_text = ''
new_file.add_paragraph(new_text1[1:])
new_text1 = ''
new_file.add_paragraph(para.text)
elif re.match(rule3, para.text):
continue
else:
new_text = new_text + re.sub(rule, '', para.text)
new_text1 = new_text1 + re.sub(rule1, '', para.text)
new_text1 = re.sub(rule2, '-', new_text1)
new_file.add_paragraph(new_text)
new_file.add_paragraph(new_text1[1:])
最后将整理好的文件存到指定路径。
new_file.save('E:ewfile.docx')
定义两个变量，file存储原始Word文档，new_file存储新生成的Word文档。
file = docx.Document('E:\original.docx')
new_file = docx.Document()
然后定义一些匹配规则：
#匹配所有不是汉字的字符，包括：括号、不可见字符、中文标点符号、数字、字母、拼音
rule = re.compile(r'[()]|\s|[\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]|[0-9]|\b[a-z]*[āáǎàōóǒòêēéěèīíǐìūúǔùǖǘǚǜüńňǹɑbcdefghijklmnopqrstuwxyz
#匹配所有不是字母和拼音的字符，包括：右括号、不可见字符、中文标点符号、数字、汉字
rule1 = re.compile(r'[)]|\s|[\u3002\uff1b\uff0c\uff1a\u201c\u201d\uff08\uff09\u3001\uff1f\u300a\u300b]|[0-9]|[\u4e00-\u9fa5]')
#匹配左括号
rule2 = re.compile(r'[(]')
#匹配各年级
#rule1 = re.compile(r'^[一二三四五六]')
#匹配具体的词：识字，课文
rule3 = re.compile(r'^[识字]|^课文')
定义两个字符串，new_text用来存储整理之后的汉字，new_text1用来存储整理之后的拼音。
#new_text用来存储汉字
new_text = ''
#new_text1用来存储拼音
new_text1 = ''
下面是程序的核心部分：
para表示原始文档中的一段，按照段落匹配正则表达式的各种规则。
注意：
（1）para.text.endswith('个')是用来判断一个字符串是不是以'个'这个字符结尾。也可以用正则表达式匹配的方法：re.match(rule1, para.text), rule1的定义是rule1 = re.compile(r'^[一二三四五六]')这里^表示Not.
（2）new_text1 = re.sub(rule2, '-', new_text1) 这里用了将拼音的左括号(替换成连字符-的方法，所以在写入new_file的时候，要将new_text1开头的第一个连字符去掉。去掉的方法是new_text1[1:]，这里表示从new_text1这个字符串的第1个字符开始（而不是从第0个字符开始），类似地，如果想去掉最后一个字符，可以用new_text1[:-1]表示。
（3）将整理好的段落加入到新文档new_file里：用new_file.add_paragraph(para.text)添加原始文档中的标题文字，用new_file.add_paragraph(new_text)添加汉字段落，用new_file.add_paragraph(new_text1[1:])添加拼音段落。
（4）用下面的continue的方法过滤掉“识字”、“课文”这样的不需要的段落。
if re.match(rule3, para.text):
continue
for para in file.paragraphs:
if para.text.endswith('个'):
#if re.match(rule1, para.text): 这是正则表达式的匹配方法
if len(new_text) > 0:
new_file.add_paragraph(new_text)
new_text = ''
new_file.add_paragraph(new_text1[1:])
new_text1 = ''
new_file.add_paragraph(para.text)
elif re.match(rule3, para.text):
continue
else:
new_text = new_text + re.sub(rule, '', para.text)
new_text1 = new_text1 + re.sub(rule1, '', para.text)
new_text1 = re.sub(rule2, '-', new_text1)
new_file.add_paragraph(new_text)
new_file.add_paragraph(new_text1[1:])
最后将整理好的文件存到指定路径。
new_file.save('E:ewfile.docx')