Mammothで解析したdocxのリスト番号の取得方法

Question

mammothを利用してdocxを分析したいと考えております。
パース自体は上手くできたのですが、<li>タグに含まれている要素に付与されているはずの番号が全て消えてしまいます。。。。

import mammoth
from bs4 import BeautifulSoup as bs

style_map = "u => u" 

with open(document_path, "rb") as docx:
    result = mammoth.convert_to_html(docx, style_map=style_map)
text = result.value
soup = bs(text, 'lxml')

公式ドキュメントを参考にアンダーラインの表示はできたのですが、
リスト番号を表示するにはどのようにしたら良いのでしょうか？
ご教示いただけましたら幸甚と存じます。何卒よろしくお願い申し上げます。

Answer 1

Mammothを使ってワード文書をHTML形式に変換すると、段落番号付きのリストはol要素とli要素の組み合わせに変換されます。ol要素の内容に書かれたli要素は、「記述順に応じた番号が自動的にレンダリングされる」ものですから、li要素の内容に番号が書かれないのは当然の仕様では。

なお、現状ではワード文書で使われている段落番号の情報(1から始まらないとか、A,B,Cだとか)はすべて失われているようなので、ワード文書の番号をHTMLで再現するには、利用者がCSSを記述して番号の形式変更や開始番号の調整を行なう必要があるでしょう。

Comments

[john_doe_]

ご親切にご教示いただきありがとうございます。
やはり、段落番号の情報(1から始まらないとか、A,B,Cだとか)はすべて失われるので、元の情報を確認しながら数字やアルファベットを付与しなければいけないようですね。