Te está devolviendo esUna
porque entre el primer párrafo y el segundo no encuentra ninguno de los caracteres de tu lista lista
, por lo que lo considera una misma palabra.
La última palabra no te está apareciendo puesto que detrás de ella no tienes ninguno de los caracteres de tu lista
, por lo que al no encontrar ninguno, nunca entrará en el else
del bucle y no incluye esa palabra en la lista texto
. Prueba a poner un punto o un espacio por ejemplo después de la palabra prueba
y verás como esta vez si que te aparece.
Te pongo otro código que te cogerá el párrafo y eliminará los caracteres que no quieras para luego separarlo en palabras:
import docx
import re
texto = []
document = docx.Document('Documento.docx')
for parrafo in document.paragraphs:
# Aquí eliminas los caracteres que no quieres en el párrafo
p = re.sub(r'[.,:;]', '', parrafo.text)
# Aquí divides el párrafo en palabras y lo añades a la lista
texto.extend(p.split())
print(texto)
Esto te devolvería ['Hola', 'esta', 'es', 'Una', 'prueba']
No eliminaría las palabras duplicadas, si además quieres eso puedes hacer un set(texto)
Modificación
En el caso anterior si encuentra que en el word se ha incluido una palabra seguida de uno de los caracteres e inmediatamente después otra palabra (por un error al escribir o cualquier otro motivo), lo tomará como una sola palabra, por ejemplo ayer,fuimos
pasaría a ser ayerfuimos
. Para evitar esto, es mejor directamente dividir el párrafo en palabras partiendo por los caracteres:
for parrafo in document.paragraphs:
texto.extend(re.split(r'[.,:; ]', parrafo.text))
[Hola,esta,es,una,prueba]