वर्ड शीर्षकों के लिए केवल फ़ॉन्ट आकार को न देखें: शैली एक बेहतर संरचनात्मक सुराग है

यदि आप Word दस्तावेज़ों की सामग्री तालिका या अध्यायों को बैच निकालने के लिए किसी स्क्रिप्ट का उपयोग करते हैं, तो आपको "प्रथम-स्तरीय शीर्षक" छूट जाने का सामना करना पड़ सकता है, या एक बोल्ड टेक्स्ट को एक अध्याय के रूप में ग़लत समझा जा सकता है। यह आम तौर पर इसलिए नहीं होता है क्योंकि नियमित अभिव्यक्तियाँ पर्याप्त रूप से अच्छी तरह से नहीं लिखी जाती हैं, बल्कि इसलिए होता है क्योंकि पैराग्राफ में Heading 1 जैसी शीर्षक शैली लागू नहीं होती है, लेकिन फ़ॉन्ट आकार मैन्युअल रूप से बढ़ाया जाता है और टेक्स्ट को बोल्ड किया जाता है। Word दस्तावेज़ संरचना के प्रसंस्करण में, दृश्य प्रतिनिधित्व संरचना के बराबर नहीं है, और paragraph.style एक अधिक विश्वसनीय अर्थ संबंधी सुराग है।

नीचे दी गई सामग्री दस्तावेज़ स्वचालन, बैच पार्सिंग, या पूर्व-अनुवाद जांच के लिए जिम्मेदार डेवलपर्स और दस्तावेज़ इंजीनियरों के लिए उपयुक्त है। इस आलेख के उदाहरण सिंथेटिक नमूनों का उपयोग करते हैं और आसान पुनरुत्पादन और समझ के लिए स्मृति में उत्पन्न होते हैं। कोड को एक पृथक वातावरण में उदाहरणों के साथ जांचा गया है, लेकिन यह सभी वास्तविक फ़ाइलों या उत्पाद प्रदर्शन की गारंटी नहीं है। महत्वपूर्ण दस्तावेज़ों को संसाधित करने से पहले, कृपया मूल दस्तावेज़ अपने पास रखें और पाठ में सीमाओं और स्वीकृति आइटम के अनुसार उनकी समीक्षा करें।

शब्द शीर्षकों की पहचान कैसे करें? एक वाक्य का निष्कर्ष

एक वाक्य का निष्कर्ष: शीर्षकों को पहचानने के लिए मुख्य आधार के रूप में paragraph.style का उपयोग करें, और शैलियों को खोजने के लिए अंग्रेजी आंतरिक नामों या मैपिंग तालिकाओं का उपयोग करें। केवल फ़ॉन्ट आकार और बोल्ड को न देखें।

शैलियों को खोजने के लिए हमें अंग्रेजी आंतरिक नामों का उपयोग क्यों करना चाहिए?

python-docx अंतर्निहित वर्डप्रोसेसिंगएमएल फाइलों पर काम करता है, वर्ड एप्लिकेशन इंटरफ़ेस पर नहीं। भले ही उपयोगकर्ता का शब्द चीनी, जापानी या जर्मन हो, अंतर्निहित शैलियों के संग्रहीत नाम अंग्रेजी में हैं। उदाहरण के लिए, वर्ड इंटरफ़ेस के चीनी संस्करण पर प्रदर्शित "शीर्षक 1" को XML में Heading 1 के रूप में रिकॉर्ड किया गया है। शैली भंडारण विधियों और नामकरण नियमों के लिए, कृपया शैलियों को समझना - पायथन-डॉक्स अवधारणा विवरण देखें।

यदि कोड में खोज के लिए styles['标题 1'] का उपयोग किया जाता है, तो प्रोग्राम सीधे KeyError को फेंक देगा। बहुभाषी दस्तावेज़ों के साथ काम करते समय यह आम समस्याओं में से एक है।

कस्टम शैलियाँ इस प्रतिबंध के अधीन नहीं हैं और XML में उनके नाम बिल्कुल वैसे ही हैं जैसे उपयोगकर्ता उन्हें इंटरफ़ेस पर देखता है। इसलिए, मजबूत पार्सिंग तर्क लिखते समय, आप स्थानीयकृत प्रदर्शन नामों से अंग्रेजी आंतरिक नामों तक एक मैपिंग तालिका बना सकते हैं, या आप मानक टेम्पलेट का उपयोग करने के लिए दस्तावेज़ प्रस्तुतकर्ताओं की आवश्यकता कर सकते हैं।

संश्लेषण उदाहरण: सही आउटपुट और किनारे के मामले

शैली पहचान के तर्क को प्रदर्शित करने के लिए, हम तीन विशिष्ट पैराग्राफ वाले एक सिंथेटिक नमूने का निर्माण करते हैं:

1. अनुच्छेद ए: Heading 1 शैली लागू की गई है, और पाठ "अध्याय 1 परिचय" है।
2. पैराग्राफ बी: शैली Normal है, लेकिन फ़ॉन्ट आकार और बोल्डिंग मैन्युअल रूप से 16pt पर सेट है, और टेक्स्ट "महत्वपूर्ण" है।
3. पैराग्राफ सी: कस्टम शैली MyCustomTitle लागू की गई है, और टेक्स्ट "परिशिष्ट विवरण" है।

अपेक्षित आउटपुट: पार्सर को एक संरचित सूची लौटानी चाहिए जिसमें केवल पैराग्राफ ए और पैराग्राफ सी को शीर्षक नोड्स के रूप में चिह्नित किया गया हो। यद्यपि पैराग्राफ बी दृश्यमान रूप से प्रमुख है, अर्थ संबंधी शैली की कमी के कारण, इसे सामान्य पाठ के रूप में वर्गीकृत किया जाना चाहिए, या "मैन्युअल रूप से पुष्टि किए जाने वाले संदिग्ध शीर्षक" के रूप में चिह्नित किया जाना चाहिए, और स्वचालित रूप से संरचनात्मक नोड में पदोन्नत नहीं किया जा सकता है।

त्रुटि और सीमा इनपुट: यदि दस्तावेज़ में कोई पैराग्राफ उस शैली को संदर्भित करता है जिसे हटा दिया गया है, यानी, w:pStyle w:val="DeletedStyle" XML में मौजूद है, लेकिन शैली परिभाषा गायब है, तो python-docx paragraph.style.name तक पहुंचने पर None वापस आ सकता है या एक अपवाद फेंक सकता है। एक अधिक विवेकपूर्ण दृष्टिकोण यह जांचना है कि स्टाइल ऑब्जेक्ट तक पहुंचने से पहले मौजूद है या नहीं, या संपूर्ण पार्सिंग प्रक्रिया को बाधित करने से बचने के लिए ऐसे पैराग्राफ को सादे पाठ प्रसंस्करण में डाउनग्रेड करें।

मेमोरी निर्माण नमूना और शैली अभिकथन कोड

नीचे दिया गया कोड दिखाता है कि नियंत्रित वातावरण में शैली पहचान तर्क को कैसे सत्यापित किया जाए। इसका उपयोग एपीआई उपयोग और अभिकथन विचारों को प्रदर्शित करने के लिए किया जाता है, और यह उत्पादन-ग्रेड पार्सर नहीं है। वास्तव में इसका उपयोग करते समय, कृपया इसे ऐसे वातावरण में चलाएं जहां आप निर्भरता संस्करण को लॉक करते हैं। python-docx>=0.8.11 की अनुशंसा की जाती है. शैलियों के विशिष्ट उपयोग के लिए, कृपया शैलियाँ के साथ कार्य करना - Python-docx आधिकारिक दस्तावेज़ीकरण देखें।

from docx import Document
from docx.enum.style import WD_STYLE_TYPE
from docx.shared import Pt

def build_sample_doc():
    """构建含混合样式的合成文档，无需外部文件"""
    doc = Document()
    # 标准内置标题
    doc.add_heading('Chapter One', level=1)
    # 视觉像标题但无样式
    p_visual = doc.add_paragraph('Visual Fake Title')
    run = p_visual.runs[0]
    run.bold = True
    run.font.size = Pt(15)  # 使用Pt单位确保API规范
    # 自定义样式
    if 'MyCustomTitle' not in [s.name for s in doc.styles]:
        doc.styles.add_style('MyCustomTitle', WD_STYLE_TYPE.PARAGRAPH)
    doc.add_paragraph('Appendix Note', style='MyCustomTitle')
    return doc

def extract_semantic_headings(doc):
    """仅提取具有明确样式的标题，忽略直接格式化"""
    headings = []
    for para in doc.paragraphs:
        style_name = para.style.name if para.style else None
        # 严格匹配：内置Heading或已知自定义标题样式
        if style_name and (style_name.startswith('Heading ') or style_name == 'MyCustomTitle'):
            headings.append({'text': para.text, 'style': style_name})
    return headings

# 验证逻辑
sample = build_sample_doc()
result = extract_semantic_headings(sample)

assert len(result) == 2, f"期望2个语义标题，实际得到{len(result)}个"
assert result[0]['style'] == 'Heading 1'
assert result[1]['style'] == 'MyCustomTitle'
assert all('Visual Fake' not in item['text'] for item in result)

यह कोड स्पष्ट रूप से शीर्षक निर्धारित करने के लिए केवल फ़ॉन्ट विशेषताओं पर निर्भर रहने को बाहर करता है। assert का उपयोग यह पुष्टि करने के लिए किया जाता है कि तर्क अपेक्षाओं को पूरा करता है, लेकिन वास्तविक दस्तावेजों में, बैच प्रोसेसिंग के दौरान समस्याओं को एकीकृत रूप से देखने की सुविधा के लिए दावों को लॉगिंग या अपवाद संग्रह तंत्र से बदला जा सकता है।

स्वीकृति जाँच सूची और मैन्युअल समीक्षा सीमाएँ

स्वचालित पार्सिंग सभी टाइपसेटिंग आदतों को कवर नहीं कर सकती। निम्न तालिका टीमों को मशीन और मानव सहयोग के बीच सीमाएँ खींचने में मदद करने के लिए सामान्य परिदृश्यों के लिए प्रसंस्करण निर्णयों का सारांश देती है।

ध्यान दें कि यह तालिका कोड प्रदर्शन स्तर पर तर्क सत्यापन के लिए है, और विशिष्ट दस्तावेज़ प्रकारों के आधार पर एंड-टू-एंड प्रभाव का मूल्यांकन करने की आवश्यकता है। उदाहरण के लिए, कानूनी अनुबंध में "परिभाषा खंड" एक समर्पित शैली का उपयोग कर सकता है और इसे अनुभाग शीर्षक के रूप में नहीं माना जाना चाहिए; किसी तकनीकी मैनुअल में "नोट" का अनुवाद करते समय विशेष उपचार की आवश्यकता हो सकती है, भले ही वह Heading 3 का उपयोग करता हो। ऐसे डोमेन-विशिष्ट नियमों का सामना करते समय, मैन्युअल समीक्षा प्रक्रिया को शामिल किया जाना चाहिए।

📊 कोर तुलना

🎯कौन सा तरीका आपके लिए उपयुक्त है?

यदि आपको वर्ड से सामग्री तालिका या अध्याय संरचना निकालने की आवश्यकता है

फ़ॉन्ट आकार और बोल्ड पर निर्भर रहने के बजाय paragraph.style के उपयोग को प्राथमिकता दें।

यदि आप चीनी और जापानी जैसे Word दस्तावेज़ों के स्थानीयकृत संस्करणों को संसाधित करना चाहते हैं

अंग्रेजी आंतरिक नामों का उपयोग करके अंतर्निहित शैलियाँ खोजें, या आंतरिक नामों के लिए स्थानीयकृत नामों की मैपिंग तालिका बनाएं।

यदि आपका दस्तावेज़ कई लोगों द्वारा लिखा गया है और प्रारूप एक समान नहीं है

मैन्युअल समीक्षा Normal शैली वाले पैराग्राफों के लिए आरक्षित है, लेकिन वे दृश्यमान रूप से प्रमुख हैं, और स्थान की जानकारी दर्ज की जाती है।

यदि आप कानूनी अनुबंधों या तकनीकी मैनुअल से निपटते हैं

पहले क्षेत्र में विशिष्ट शैली नियमों को सुलझाएं, और फिर तय करें कि कौन से अनुच्छेदों को स्वचालित रूप से पहचाना जा सकता है और किन अनुच्छेदों को मैन्युअल निर्णय की आवश्यकता है।

❓ अक्सर पूछे जाने वाले प्रश्न (FAQ)

1. शीर्षक खोजने के लिए मैं सीधे styles['标题 1'] का उपयोग क्यों नहीं कर सकता?

क्योंकि python-docx अंतर्निहित XML को पढ़ता है, अंतर्निहित शैलियों को XML में अंग्रेजी नामों के रूप में संग्रहीत किया जाता है, जैसे Heading 1। वर्ड इंटरफ़ेस के चीनी संस्करण में प्रदर्शित "शीर्षक 1" कोड में उपयोग किए जाने पर KeyError का कारण बनेगा।

2. यदि पैराग्राफ का फ़ॉन्ट आकार केवल बड़ा और बोल्ड है, तो क्या इसे शीर्षक के रूप में उपयोग किया जा सकता है?

इसे शीर्षक के रूप में स्वचालित रूप से उपयोग करने की अनुशंसा नहीं की जाती है। इस प्रकार के पैराग्राफ में शब्दार्थ शैली का अभाव है और इसे "संदिग्ध शीर्षक" के रूप में चिह्नित किया जाना चाहिए और इसे संरचना में शामिल करने का निर्णय लेने से पहले मैन्युअल रूप से पुष्टि की जाएगी।

3. जब पैराग्राफ शैली None हो तो क्या करें?

चेतावनियों को लॉग करने और उन्हें सादे पाठ के रूप में मानने की अनुशंसा की जाती है। यदि बैच फ़ाइलों में ऐसी स्थितियाँ बड़ी संख्या में होती हैं, तो मैन्युअल समीक्षा निर्धारित की जानी चाहिए।

4. क्या कस्टम शैलियों को शीर्षक के रूप में उपयोग किया जा सकता है?

यदि कस्टम शैली Heading 1 से विरासत में मिली है, और base_style विरासत श्रृंखला पूरी हो गई है, तो इसे एक वैध शीर्षक माना जा सकता है।

📝सारांश

शब्द शीर्षकों का निर्णय करते समय, शैली मुख्य आधार होनी चाहिए, न कि केवल दृश्य प्रभाव। कोड सत्यापन पारित होने के बाद, यह पुष्टि करने के लिए कि परिणाम विश्वसनीय हैं, इसे अभी भी विशिष्ट दस्तावेज़ प्रकारों और मैन्युअल समीक्षा के साथ संयोजित करने की आवश्यकता है।

इसे अभी आज़माएं: मूल लेआउट को बरकरार रखते हुए अनुवाद शुरू करने के लिए दस्तावेज़ अपलोड करें