使用 textract 从 pptx 获取文本。和docx。没有标签[重复]答案

【问题标题】：Using textract to get text from pptx. and docx. without tags [duplicate]使用 textract 从 pptx 获取文本。和docx。没有标签[重复]
【发布时间】：2020-02-11 13:11:51
【问题描述】：

我使用以下代码从 docx 获取字符串。或pptx。（由于 textract 不能正确使用非 acsii 符号，我使用here 描述的解决方案）：

import textract as txt
text = txt.process("D:\Corpus\Exposee.pptx")
text = text.decode("utf8")

然后我调用text 得到如下字符串：

'Syntaktische Besonderheiten \n\ndes Maschinellen Verstehens \n\nder Deutschen Sprache \n\nin der Multilingualen Perspektive\n\nMarvin Teller\n\nForschungsfrage\n\nW\n\nelche\n\n \n\nEigenschaften\n\n \n\n\n\n\tder \n\nsyntaktischen\n\n \n\nStruktur\n\n der \n\n

（缩短）

我想要没有\n 和\t 等标签的字符串，该怎么做？

对于可能的重复/幼稚，请提前道歉

【问题讨论】：

你称它为基础版本，\n 允许段落，尝试使用 print(text) 然后你会明白我的意思
但如果你确实想删除它，请执行 text = text.remove()
@TommyLawrence 感谢您的建议！但是，在将 'remove' 应用于字符串（文本）时，我得到“AttributeError：'str' object has no attribute 'remove'”
好吧，对不起，是替换，做 text = text.replace("\n", "")
这能回答你的问题吗？ Remove all line breaks from a long string of text

标签： python tags powerpoint text-extraction

【解决方案1】：

基于 cmets：您看到的文本是您从文件中提取的形式。 \n 允许你有段落。通过放置该文本（字符串）并打印它，您可以看到它生成了段落。要摆脱它，您需要执行 text (variable) = text.replace("\n", "")，这会将 "\n" 替换为空 ""。

【讨论】：