python使用import docx读取word内容有缺失

Question

使用 import docx读取word的时，部分内容读不出来，括号中的月日就是没有的，就很莫名奇妙，有能解决这个问题的方法吗？data_2是我读取word的xml文件读出来的内容，但是比较麻烦

import docx
docx_path = r"word.docx"
docx_text = docx.Document(docx_path)
all_list1 = docx_text.paragraphs
all_list = [i.text for i in all_list1]
data = pd.DataFrame({'text':all_list})

Answer 1

该回答引用chatgpt:针对这种情况，可以使用正则表达式过滤掉空格和特殊字符，以保证读取的内容完整。例如，可以使用如下代码过滤空格和特殊字符：

import re
import docx

doc = docx.Document('/Users/changzhenwei/Desktop/111.docx')
text = '\n'.join([para.text for para in doc.paragraphs])
filtered_text = re.sub(r'\s+', '', text)
print(filtered_text)