文本提取中的单词分隔符，Lxml Xpath

Question

我想提取带删除线的单词，即<w:delText>标签。我已经使用了一个表达式，并且成功地将其提取出来，除了某些单词出现中断。例如，单词"They"显示为'T'和'hey'。下面给出的是哪里的问题仍然存在一个xml样本：

<w:delText 
    xml:space="preserve">. 
    </w:delText></w:r><w:r 
    w:rsidR="0020338C" 
    w:rsidDel="00147CFE"><w:rPr><w:rFonts 
    w:ascii="Times 
    New 
    Roman" 
    w:hAnsi="Times 
    New 
    Roman"/><w:sz 
    w:val="24"/></w:rPr><w:delText>T</w:delText></w:r><w:r 
    w:rsidR="00DF6A7D" 
    w:rsidDel="00147CFE"><w:rPr><w:rFonts 
    w:ascii="Times 
    New 
    Roman" 
    w:hAnsi="Times 
    New 
    Roman"/><w:sz 
    w:val="24"/></w:rPr><w:delText>hey</w:delText></w:r></w:del><w:ins 
    w:id="5" 
    w:author="Author" 
    w:date="2014-08-13T10:08:00Z"><w:r 
    w:rsidR="00147CFE"><w:rPr><w:rFonts 
    w:ascii="Times 
    New 
    Roman" 
    w:hAnsi="Times 
    New 
    Roman"/><w:sz 
    w:val="24"/></w:rPr><w:t 
    xml:space="preserve"> 
    that 
    helps 
    them</w:t></w:r></w:ins> 

我用下面的代码：

find = etree.XPath("//w:p//.//*[local-name() = 'delText']//text()" ,namespaces={'w':"http://schemas.openxmlformats.org/wordprocessingml/2006/main"}) 
list_of_deleted_words = (find(lxml_tree)) 

我怎么可能解决这一问题？

编辑：

我意识到这个问题是只用言语是在他们大写字母，如“她”的话，“他”还可以获得分裂。

Answer 1

这就是“他们”应该算作一个字而不是两个（我的代码目前正在这样做）。

问题出现是因为文本的延伸被任意地放入了几个所谓的“运行”中。在OOXML，文字在w:p元素（段）像这样（简化结构）主办：

<w:p> 
    <w:r> 
    <w:t>Simpli</w:t> 
    </w:r> 
    <w:r> 
    <w:t>fied structures</w:t> 
    </w:r> 
</w:p> 

正如你所看到的，实际的文本里面w:t元素依次一个w:r元素中或“运行”。不幸的是，这种在单独运行中的分工非常随意，它可能只是任意的。据我所知，没有人知道如何选择开始新的跑步。

现在，转向您的问题，w:delText也在里面运行。而且，在那里，进入奔跑的碎片似乎纯粹是无用的。

用你目前的方法，没有办法知道一个特定的w:delText的文本内容是否是一个完整的单词。为此，您必须考虑整个运行顺序，包括正常文本和包含已删除文本的顺序。

很可能这是行得通的，因为删除的文本仍处于删除位置的运行状态。显示的OpenXML 2003年，略有不同，但它并不重要：

<w:r> 
    <w:t>Normal Text before deletion </w:t> 
</w:r> 
<aml:annotation aml:id="0" 
       w:type="Word.Deletion" 
       aml:author="Mathias Müller" 
       aml:createdate="2014-09-26T22:25:00Z"> 
    <aml:content> 
    <w:r wsp:rsidDel="00F647B7"> 
     <w:delText>T</w:delText> 
    </w:r> 
    </aml:content> 
</aml:annotation> 
<aml:annotation aml:id="1" 
       w:type="Word.Deletion" 
       aml:author="Mathias Müller" 
       aml:createdate="2014-09-26T22:24:00Z"> 
    <aml:content> 
    <w:r wsp:rsidDel="00F647B7"> 
     <w:delText>hey </w:delText> 
    </w:r> 
    </aml:content> 
</aml:annotation> 
<w:r> 
    <w:t>Normal Text after deletion </w:t> 
</w:r> 

换句话说，

• 如果有两个“删除奔跑”在一排（或更多），在没有空格他们中的任何一个，那么你就知道他们只是一个词的部分。

至于字边界，

• 如果被删除的运行是由一正常运行之前，它们之间具有空白（无论是在正常运行结束或删除的运行的开始）您知道删除的运行开始了一个新单词
• 如果删除的运行前面是没有任何空格的正常运行，那么您应该断定该单词只有一部分被删除，并且该删除的运行不是整个单词
• 上述所有情况对于已删除的运行是一回事之后是正常运行，两者之间有或没有空白。

当然，我们都知道，依靠空格来区分单词是一种粗糙的方法，但在这种情况下它可能就足够了。