Đừng chỉ nhìn vào cỡ chữ của tiêu đề Word: kiểu dáng là đầu mối cấu trúc tốt hơn

Nếu bạn sử dụng tập lệnh để trích xuất hàng loạt mục lục hoặc chương của tài liệu Word, bạn có thể gặp phải tình trạng thiếu "tiêu đề cấp một" hoặc văn bản in đậm bị đánh giá sai là một chương. Điều này thường không phải do các biểu thức chính quy không được viết đủ tốt mà do đoạn văn không được áp dụng kiểu tiêu đề như Heading 1 mà kích thước phông chữ được tăng lên theo cách thủ công và văn bản được in đậm. Trong quá trình xử lý cấu trúc tài liệu Word, cách biểu diễn trực quan không bằng cấu trúc và paragraph.style là đầu mối ngữ nghĩa đáng tin cậy hơn.

Nội dung bên dưới phù hợp với các nhà phát triển và kỹ sư tài liệu chịu trách nhiệm tự động hóa tài liệu, phân tích cú pháp hàng loạt hoặc kiểm tra trước khi dịch. Các ví dụ trong bài viết này sử dụng các mẫu tổng hợp và được tạo trong bộ nhớ để dễ dàng tái hiện và hiểu. Mã đã được kiểm tra bằng các ví dụ trong môi trường biệt lập, nhưng điều này không đảm bảo cho tất cả các tệp thực hoặc hiệu suất sản phẩm. Trước khi xử lý các văn bản quan trọng, vui lòng giữ lại bản chính và xem xét theo ranh giới và các mục chấp nhận trong văn bản.

Làm cách nào để nhận biết tiêu đề Word? Một câu kết luận

Kết luận một câu: Sử dụng paragraph.style làm cơ sở chính để đánh giá tiêu đề và sử dụng tên nội bộ tiếng Anh hoặc bảng ánh xạ để tìm kiểu. Đừng chỉ nhìn vào kích thước phông chữ và in đậm.

Tại sao phải dùng tên nội bộ tiếng Anh để tìm style?

python-docx hoạt động trên các tệp WordprocessingML cơ bản chứ không phải giao diện ứng dụng Word. Bất kể Word của người dùng là tiếng Trung, tiếng Nhật hay tiếng Đức, tên được lưu trữ của các kiểu tích hợp đều bằng tiếng Anh. Ví dụ: "Tiêu đề 1" hiển thị trên giao diện Word phiên bản tiếng Trung được ghi là Heading 1 trong XML. Để biết các phương pháp lưu trữ kiểu và quy tắc đặt tên, vui lòng tham khảo Hiểu kiểu dáng - Mô tả khái niệm python-docx.

Nếu styles['标题 1'] được sử dụng để tìm kiếm trong mã, chương trình sẽ trực tiếp đưa ra KeyError. Đây là một trong những cạm bẫy phổ biến khi làm việc với các tài liệu đa ngôn ngữ.

Các kiểu tùy chỉnh không bị hạn chế bởi hạn chế này và tên của chúng trong XML chính xác như người dùng nhìn thấy chúng trên giao diện. Do đó, khi viết logic phân tích cú pháp mạnh mẽ, bạn có thể xây dựng bảng ánh xạ từ tên hiển thị được bản địa hóa sang tên nội bộ bằng tiếng Anh hoặc bạn có thể yêu cầu người gửi tài liệu sử dụng mẫu chuẩn.

Ví dụ tổng hợp: đúng các trường hợp đầu ra và cạnh

Để chứng minh tính logic của việc nhận dạng văn phong, chúng tôi xây dựng một mẫu tổng hợp gồm ba đoạn văn điển hình:

1. Đoạn A: Áp dụng phong cách Heading 1 và nội dung là "Giới thiệu Chương 1".
2. Đoạn B: Kiểu là Normal, nhưng kích thước phông chữ và độ đậm được đặt thủ công thành 16pt và văn bản là "Quan trọng".
3. Đoạn C: Kiểu tùy chỉnh MyCustomTitle được áp dụng và văn bản là "Mô tả Phụ lục".

Đầu ra dự kiến: Trình phân tích cú pháp sẽ trả về một danh sách có cấu trúc chỉ có đoạn A và đoạn C được đánh dấu là nút tiêu đề. Mặc dù Đoạn B nổi bật về mặt hình ảnh nhưng do thiếu phong cách ngữ nghĩa nên nó phải được phân loại là văn bản thông thường hoặc được đánh dấu là "tiêu đề đáng ngờ cần được xác nhận thủ công" và không thể tự động được thăng cấp thành nút cấu trúc.

Lỗi và đầu vào ranh giới: Nếu một đoạn trong tài liệu đề cập đến một kiểu đã bị xóa, nghĩa là w:pStyle w:val="DeletedStyle" tồn tại trong XML, nhưng định nghĩa kiểu bị thiếu, thì python-docx khi truy cập paragraph.style.name có thể trả về None hoặc đưa ra một ngoại lệ. Một cách tiếp cận thận trọng hơn là kiểm tra xem đối tượng kiểu có tồn tại hay không trước khi truy cập nó hoặc hạ cấp các đoạn văn đó xuống chế độ xử lý văn bản thuần túy để tránh làm gián đoạn toàn bộ quá trình phân tích cú pháp.

Mẫu xây dựng bộ nhớ và mã xác nhận kiểu

Mã bên dưới cho biết cách xác minh logic nhận dạng kiểu trong môi trường được kiểm soát. Nó được sử dụng để thể hiện các ý tưởng xác nhận và sử dụng API và không phải là trình phân tích cú pháp cấp sản xuất. Khi thực sự sử dụng nó, vui lòng chạy nó trong môi trường nơi bạn khóa phiên bản phụ thuộc. python-docx>=0.8.11 được khuyến nghị. Để biết cách sử dụng cụ thể của các kiểu, vui lòng tham khảo Làm việc với Kiểu - tài liệu chính thức của python-docx.

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)

Mã này loại trừ rõ ràng việc chỉ dựa vào thuộc tính phông chữ để xác định tiêu đề. assert được sử dụng để xác nhận rằng logic đáp ứng mong đợi, nhưng trong tài liệu thực, các xác nhận có thể được thay thế bằng cơ chế ghi nhật ký hoặc thu thập ngoại lệ để tạo điều kiện xem thống nhất các vấn đề trong quá trình xử lý hàng loạt.

Danh sách kiểm tra chấp nhận và ranh giới đánh giá thủ công

Phân tích cú pháp tự động không thể bao gồm tất cả các thói quen sắp chữ. Bảng sau đây tóm tắt các quyết định xử lý cho các tình huống phổ biến nhằm giúp các nhóm vạch ra ranh giới giữa hoạt động cộng tác giữa máy và con người.

Lưu ý rằng bảng này dùng để xác minh logic ở cấp độ trình diễn mã và hiệu ứng toàn diện cần được đánh giá dựa trên các loại tài liệu cụ thể. Ví dụ: "điều khoản định nghĩa" trong hợp đồng pháp lý có thể sử dụng một văn phong dành riêng và không được coi là tiêu đề của phần; "ghi chú" trong sổ tay kỹ thuật có thể yêu cầu xử lý đặc biệt khi dịch ngay cả khi nó sử dụng Heading 3. Khi gặp phải các quy tắc dành riêng cho tên miền như vậy, cần đưa vào quy trình xem xét thủ công.

📊 So sánh cốt lõi

🎯 Phương pháp nào phù hợp với bạn?

Nếu bạn cần trích xuất mục lục hoặc cấu trúc chương từ Word

Ưu tiên sử dụng paragraph.style thay vì dựa vào cỡ chữ và in đậm.

Nếu bạn muốn xử lý các phiên bản bản địa hóa của tài liệu Word như tiếng Trung và tiếng Nhật

Tìm các kiểu dựng sẵn bằng cách sử dụng tên nội bộ tiếng Anh hoặc tạo bảng ánh xạ các tên được bản địa hóa thành tên nội bộ.

Nếu tài liệu của bạn được viết bởi nhiều người và định dạng không thống nhất

Xem lại thủ công được dành riêng cho các đoạn có kiểu Normal nhưng nổi bật về mặt hình ảnh và thông tin vị trí được ghi lại.

Nếu bạn xử lý các hợp đồng pháp lý hoặc hướng dẫn kỹ thuật

Trước tiên, hãy sắp xếp các quy tắc văn phong cụ thể trong trường, sau đó quyết định đoạn văn nào có thể được nhận dạng tự động và đoạn văn nào yêu cầu đánh giá thủ công.

❓ Câu hỏi thường gặp (FAQ)

1. Tại sao tôi không thể trực tiếp sử dụng styles['标题 1'] để tìm tiêu đề?

Vì python-docx đọc XML cơ bản nên các kiểu dựng sẵn được lưu trữ trong XML dưới dạng tên tiếng Anh, chẳng hạn như Heading 1. "Tiêu đề 1" hiển thị trong giao diện Word phiên bản tiếng Trung sẽ gây ra KeyError khi sử dụng trong mã.

2. Nếu đoạn văn chỉ có cỡ chữ lớn và in đậm thì có thể dùng làm tiêu đề được không?

Không nên tự động sử dụng nó làm tiêu đề. Loại đoạn văn này thiếu phong cách ngữ nghĩa và phải được đánh dấu là "tiêu đề đáng ngờ" và sẽ được xác nhận theo cách thủ công trước khi quyết định có đưa nó vào cấu trúc hay không.

3. Phải làm gì khi kiểu đoạn văn là None?

Bạn nên ghi lại các cảnh báo và coi chúng là văn bản thuần túy. Nếu những tình huống như vậy xảy ra với số lượng lớn trong các tệp bó, nên lên lịch xem xét thủ công.

4. Có thể sử dụng kiểu tùy chỉnh làm tiêu đề không?

Nếu kiểu tùy chỉnh kế thừa từ Heading 1 và chuỗi kế thừa base_style hoàn tất thì nó có thể được coi là tiêu đề hợp lệ.

📝 Tóm tắt

Khi đánh giá tiêu đề Word, phong cách phải là cơ sở chính chứ không chỉ hiệu ứng hình ảnh. Sau khi quá trình xác minh mã được thông qua, nó vẫn cần được kết hợp với các loại tài liệu cụ thể và xem xét thủ công để xác nhận rằng kết quả là đáng tin cậy.

Thử ngay: Tải tài liệu lên để bắt đầu dịch, giữ nguyên bố cục ban đầu