文本提取中的單詞分隔符，Lxml Xpath

Question

我想提取帶刪除線的單詞，即<w:delText>標籤。我已經使用了一個表達式，並且成功地將其提取出來，除了某些單詞出現中斷。例如，單詞"They"顯示爲'T'和'hey'。下面給出的是哪裏的問題仍然存在一個xml樣本：

<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> 

我用下面的代碼：

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)) 

我怎麼可能解決這一問題？

編輯：

我意識到這個問題是隻用言語是在他們大寫字母，如「她」的話，「他」還可以獲得分裂。

Answer 1

這就是「他們」應該算作一個字而不是兩個（我的代碼目前正在這樣做）。

問題出現是因爲文本的延伸被任意地放入了幾個所謂的「運行」中。在OOXML，文字在w:p元素（段）像這樣（簡化結構）主辦：

<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，實際的文本里面w:t元素依次一個w:r元素中或「運行」。不幸的是，這種在單獨運行中的分工非常隨意，它可能只是任意的。據我所知，沒有人知道如何選擇開始新的跑步。

現在，轉向您的問題，w:delText也在裏面運行。而且，在那裏，進入奔跑的碎片似乎純粹是無用的。

用你目前的方法，沒有辦法知道一個特定的w:delText的文本內容是否是一個完整的單詞。爲此，您必須考慮整個運行順序，包括正常文本和包含已刪除文本的順序。

很可能這是行得通的，因爲刪除的文本仍處於刪除位置的運行狀態。顯示的OpenXML 2003年，略有不同，但它並不重要：

<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> 

換句話說，

• 如果有兩個「刪除奔跑」在一排（或更多），在沒有空格他們中的任何一個，那麼你就知道他們只是一個詞的部分。

至於字邊界，

• 如果被刪除的運行是由一正常運行之前，它們之間具有空白（無論是在正常運行結束或刪除的運行的開始）您知道刪除的運行開始了一個新單詞
• 如果刪除的運行前面是沒有任何空格的正常運行，那麼您應該斷定該單詞只有一部分被刪除，並且該刪除的運行不是整個單詞
• 上述所有情況對於已刪除的運行是一回事之後是正常運行，兩者之間有或沒有空白。

當然，我們都知道，依靠空格來區分單詞是一種粗糙的方法，但在這種情況下它可能就足夠了。