Как правильно парсить комментарии из docx, используя IronPython и .NET Framework (dotnet API)?

@Anfisa_78 · Регистрация: 05.12.2019

Студворк — интернет-сервис помощи студентам

Всем привет.

Пишу парсер для word-документов. Использую официальную Microsoft SDK (.NET API, .NET Framework, dotnet, Официальная документация) и IronPython2.7. Многие мои документы содержат в себе комментарии и исправления (комментарии добавляются через "INSERT->COMMENTS->NEW COMMENTS"). Мне необходимо спарсить документ так, чтобы я знал где начинается комментарий и где он заканчивается.

Я использую такой код:

Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# -*- coding: utf-8 -*-
import clr
import System
import json
clr.AddReference('Microsoft.Office.Interop.Word')
from Microsoft.Office.Interop import Word
 
filename = 'C:\\eng_ordinary_text.docx'
 
word_application = Word.ApplicationClass()
word_application.Visible = True
 
document = word_application.Documents.Open(filename)
 
text = document.Content.Text
for comment in document.Comments:
    print(comment.Scope.Start)
    print(comment.Scope.End)
    true_text = comment.Scope.Text
    text_with_offset = document.Content.Text[comment.Scope.Start:comment.Scope.End]
    print('scope_text:           "{}"'.format(true_text))
    print('text_between_indexes: "{}"'.format(text_with_offset))
    print('___________________\n')

Получаю такой ответ:

9
17
scope_text: "ordinary"
text_between_indexes: "ordinary"
___________________

19
23
scope_text: "text"
text_between_indexes: "ext."
___________________

На скриншоте (в прикрепленных файлах) видна проблема - если вывести тест документа между индексами комментария, то в первом комментарии все хорошо, а во втором уже заметно смещение на один символ. Сам пример документа также есть в прикрепленных файлах.

Поначалу это не сильно мешает, но когда документ на 30 и более страниц, то смещение может привести к ошибкам (например, когда в комментарии выделен всего один символ, пусть будет 'a'). Такая буква может встречать несколько раз. И нельзя будет точно сказать, какая их них была помечена в комментарии.

Это лишь малая часть. Потом возникают проблемы, когда индексы начала и конца комментария съезжаю не только вправа по строке, но и влево. Я две недели изучал документацию, думаю, что допустил ошибку. Но у меня не встретил возможные причины таких проблем.

Прошу помощи и заранее благодарю за нее.

@Usaga · 27.11.2020, 08:19

Сообщение от Anfisa_78

Использую официальную Microsoft SDK

На самом деле, для работы с DOCX (не DOC, а именно DOCX) лучше бы использовать OpenXML SDK. Эта библиотека тоже официальная, от MS. И работает она напрямую с файлом документа, без необходимости иметь на машине MS Office.

Сообщение от Anfisa_78

IronPython2.7

А почему не C#, если уж тянет на майкрософтовские технологии?

Новые блоги и статьи Все статьи Все блоги /
Установка Qt Creator для C и C++: ставим среду, CMake и MinGW без фреймворка Qt 8Observer8 05.04.2026 Среду разработки Qt Creator можно установить без фреймворка Qt. Есть отдельный репозиторий для этой среды: https:/ / github. com/ qt-creator/ qt-creator, где можно скачать установщик, на вкладке Releases:. . .	AkelPad-скрипты, структуры, и немного лирики.. testuser2 05.04.2026 Такая программа, как AkelPad существует уже давно, и также давно существуют скрипты под нее. Тем не менее, прога живет, периодически что-то не спеша дополняется, улучшается. Что меня в первую очередь. . .	Отображение реквизитов в документе по условию и контроль их заполнения Maks 04.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа "ПланированиеСпецтехники", разработанного в конфигурации КА2. Данный документ берёт данные из другого нетипового документа. . .	Фото всей Земли с борта корабля Orion миссии Artemis II kumehtar 04.04.2026 Это первое подобное фото сделанное человеком за 50 лет. Снимок называют новым вариантом легендарной фотографии «The Blue Marble» 1972 года, сделанной с борта корабля «Аполлон-17». Новое фото. . .
Вывод диалогового окна перед закрытием, если документ не проведён Maks 04.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа "СписаниеМатериалов", разработанного в конфигурации КА2. Задача: реализовать программный контроль на предмет проведения документа. . .	Программный контроль заполнения реквизитов табличной части документа Maks 02.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа "СписаниеМатериалов", разработанного в конфигурации КА2. Задача: 1. Реализовать контроль заполнения реквизита. . .	wmic не является внутренней или внешней командой Maks 02.04.2026 Решение: DISM / Online / Add-Capability / CapabilityName:WMIC~~~~ Отсюда: https:/ / winitpro. ru/ index. php/ 2025/ 02/ 14/ komanda-wmic-ne-naydena/	Программная установка даты и запрет ее изменения Maks 02.04.2026 Алгоритм из решения ниже реализован на примере нетипового документа "СписаниеМатериалов", разработанного в конфигурации КА2. Задача: при создании документов установить период списания автоматически. . .