40岁自学Python，研究了一个论文的模块识别办法-优快云博客

嗨，我是大虾，一名品牌从业者，一只野生程序员。

最近接了个小单，使用PyQt为客户开发一个论文格式调整器，界面长这样：

在这里插入图片描述

需求是：创建各个学校的格式要求，批量处理论文。

众所周知，不同学校的论文格式要求虽然有所不同，但模块基本上大同小异，如：封面、主标题、摘要、关键词、正文（一二三级标题和内容）、致谢和参考文献。

有些论文没有致谢模块，而且位置可能在文章的开始，也可能在文章的结束，大部分情况下，参考文献也会在文章的结束。

格式方面，可以使用win32com来调整，只需要熟悉微软的文档就可以使用了，再不济还可以参考word的宏。

整个需求中，难点其实是模块的识别，具体是，不清楚某些模块是否一定会有，各个模块的前后顺序不确定。经过几天的研究，找到了一套识别的逻辑，大大优化了模块识别的准确性。处理的逻辑如下：

1、程序获取到论文后，先识别一二三级标题所出现的段落，分别记录标题所在段落的索引，保存在列表中：

一级标题 [4, 9, 43, 81, 122]
二级标题 [10, 13, 19, 44, 46, 82, 89, 114]
三级标题 [20, 22, 28, 32, 47, 49, 54]
# 使用正则匹配标题，遍历每个段落，取每个段落前5-8个字符进行匹配，这样能大大提升标题识别的准确率

2、摘要、关键词、致谢及参考文献的识别

遍历每个段落，取每个段落前5-8个字符，使用正则匹配，分别记录到列表中

摘要匹配 [2]
关键词匹配 [3]
参考文献匹配 [137]
致谢匹配 []

每个段落取5-8个字符进行匹配，是符合实际情况的，比如论文的”摘要“二字一定会出现在段落的开头，出现在段落的其他位置，一定不是模块，只是普通的内容。

假如摘要匹配中，记录两个段落的索引那怎么办，如 [2, 4]，那就取列表的首个元素为真实的模块，其他模块一样。

3、将所有模块及对应的列表重组成字典元组列表并排序

[('thanks', []), ('sumary', [2]), ('keywords', [3]), ('title1', [4, 9, 43, 81, 122]), ('title2', [10, 13, 19, 44, 46, 82, 89, 114]), ('title3', [20, 22, 28, 32, 47, 
49, 54]), ('reference', [137])]

根据使用元组的最后一个元素即段落索引进行排序，按照论文的段落顺序排列，如此一来，就能确定各个模块的顺序了，此时还需要删除空列表的模块，上面的致谢模块（thanks）列表为空，意味着论文中并不存在这个模块，那可以删除了。在列表元素未知的情况下，需要使用遍历进行判断，空的就删除，不过需要注意的是，不能一边遍历一遍删除，会导致列表的索引出错，从而出现有些元素删除失败，正确的做法是，第一次遍历列表，记录空元素到A列表中，遍历A列表后再从原来的列表中删除。

# 保存空模块的索引
        null_items = []
        for i in new_sort:
            if not i[-1]:
                # new_sort.remove(i) 不能边遍历边删除列表 会导致索引出错
                null_items.append(i)

        # 遍历保存下来的模块 然后从new_sort中删除 此时new_sort列表才是干净的 空模块将会从列表中删除
        for item in null_items:
            new_sort.remove(item)

4、计算相邻模块的范围

删除了空的模块后，使用上面的列表计算模块的段落范围，除了标题外，摘要、关键词、致谢和参考文献都需要计算。

上面的示例中，删除了致谢模块后的列表应该是这样的

[('sumary', [2]), ('keywords', [3]), ('title1', [4, 9, 43, 81, 122]), ('title2', [10, 13, 19, 44, 46, 82, 89, 114]), ('title3', [20, 22, 28, 32, 47, 49, 54]), 
('reference', [137])]