从 docx 文件中删除字符答案

【问题标题】：Removing characters from docx file从 docx 文件中删除字符
【发布时间】：2018-09-26 19:15:31
【问题描述】：

我有一个非常大的 docx 文件（700 页），它有一个日志格式

[15/09/2014, 15:30:21] Stijn: Nice

我想把时间去掉，让它看起来像这样

[15/09/2014] Stijn: Nice

我很确定这可以在 python 中完成，但还没有找到确切的方法。我应该使用这样的东西吗？

line.replace(char,'')

它是一个 whatsapp 日志文件，看起来像这样（一些文本使用 2 行）

[15/09/2014, 15:53:39] Dylan: Beste selfie ever 
[15/09/2014, 15:53:52] Sipke: Ja 
[15/09/2014, 15:54:05] ‎You changed this group's icon

感谢您的帮助:)

【问题讨论】：

我不确定您的数据是如何设置的。如果方括号中的内容是一个单独的列表，则可以使用 .pop() 从每个列表中删除最后一项。
我认为最快的方法是压缩打开 docx 并使用模式替换更改主 xml 文件。
.docx 文件以专有格式保存，不容易在 word 之外更改（尝试在记事本中打开以了解我的意思），使用 python 解析它们会遇到很多麻烦.有什么办法可以使用其他格式甚至 .txt 文件来代替？
@Njord .docx 是 XML，因此是 x。
我的错，我尽量避免使用 .docx 之类的文件，也许这个包可以满足你的需求：github.com/python-openxml/python-docx

标签： python

【解决方案1】：

如果您知道如何使用正则表达式，这可以很容易地完成。你想：

1) 逐行读取文件

2) 用空白文本替换时间戳。

这是我为您准备的示例 Python 代码：

#!/usr/bin/python
import re

text = "[15/09/2014, 15:30:21] Stijn: Nice"

# Capture time stamp and substitute it with blank
new = re.sub(r'(, [0-9]{2}:[0-9]{2}:[0-9]{2})', "", text)    
print new

这将产生：

[15/09/2014] Stijn: Nice

如果你想摆弄/理解我在这里使用的正则表达式的用法，请点击此链接-https://regexr.com/406sc

【讨论】：

哦还有@Barkork，（取决于您的数据）您将不得不修改正则表达式以确保它不会执行贪婪匹配。换句话说，如果一个订单项看起来像：[15/09/2014, 15:30:21] Stijn: Nice, I timed my lap, 02:01:99 and you?，当前模式可能会删除“, 02:01:99”，因为它会在给定行中查找该模式的每个实例。
.docx 不仅仅是纯文本，它是一组压缩的.xml 文件。这个问题比你意识到的要多。
@PeterWood 我知道 docx 格式。但是，将 docx 导出为纯文本文件并不难。由于在这种情况下数据只是一个聊天记录，因此在清理后保留文本格式似乎是多余的。但我想我也应该在答案中提到这一点，而不是假设事情。有些人可能会发现此链接也很有用：stackoverflow.com/a/35871416/4701044