1

Estoy trabajando con el modulo docx de python y estoy tratando de anexar a una lista las palabras que contiene el documento, el problema que ocurre es que la lista no guarda las últimas palabras, este es el texto de prueba Documento.docx:

Hola esta es
Una prueba

Este es el código:

import docx

texto = []
nuevo = []
lista = [' ',".",",",":",";"]

document = docx.Document('Documento.docx')
palabra = ''

for parrafo in document.paragraphs:
    for letras in parrafo.text:
        if letras not in lista:
            palabra = palabra+letras
        else:
            texto.append(palabra)
            palabra=''


print(texto)

Y este es el resultado:

introducir la descripción de la imagen aquí

2
  • ¿Que es lo que deberias obtener?
    – user22539
    Commented el 21 nov. 2019 a las 20:45
  • @eyllanesc, una lista con cada palabra del texto indicado es decir la lista deberia de ser asi [Hola,esta,es,una,prueba]
    – Revsky01
    Commented el 21 nov. 2019 a las 20:47

1 respuesta 1

1

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))
3
  • gracias estaba pensando utilizar regex, pero aun no terrminaba de entender como hacerlo
    – Revsky01
    Commented el 21 nov. 2019 a las 21:58
  • Tal y como lo había puesto antes si hay algún error y no han puesto espacios por ejemplo detrás de una coma, te lo iba a interpretar como una misma palabra. Ahora lo he modificado y de divide en los caracteres especificados, evitando que pase eso. Commented el 21 nov. 2019 a las 22:02
  • gracias si no es mucho molestar podrias anexar el codigo anterior a tu respusta para que se quede como expediente
    – Revsky01
    Commented el 21 nov. 2019 a las 22:13

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.