Python for Proofreading

ENG | RUS

English: Functions | Algorithm | Usage | Notes

Русский: Функции | Алгоритм | Использование | Примечания

This project contains a Word-based proofreading helper for Russian editorial work. The main script opens a .docx file in Microsoft Word through pywin32, enables Track Changes, applies a set of technical fixes, and saves the result as a new reviewed document.

The current main script is review_word.py. It is intended for repetitive, mechanical cleanup before deeper editing.

What The Script Does

• Opens the first .docx file in the project folder, or a file passed as a command-line argument.
• Turns on Word review mode with the reviewer name python proofreading.
• Replaces ... with the ellipsis character ….
• Replaces [...] and […] with <…>.
• Collapses triple and double spaces into one space.
• Removes spaces after « and before ».
• Normalizes dash usage in several basic cases:
  • digit-dash-digit -> en dash –
  • letter-dash-letter -> hyphen -
  • stuck em dashes near letters -> spaced em dash —
• Adds a space before reference markers like [1] when they are attached to a word.
• Replaces the exact word проценты with %.
• Adds a space before % when it is attached to a digit.
• Normalizes several abbreviations:
  • и т.д. -> и т. д.
  • и т.п. -> и т. п.
  • т.е. -> то есть
  • и пр. -> и прочее
• Extracts proper nouns into a separate file.
• Replaces ё with е, except for detected proper nouns.
• Highlights image-caption-like lines such as Илл. 1. ....
• Removes the word Глава from the beginning of a paragraph.
• Prints progress and total runtime in the terminal.

How The Algorithm Works

The script uses a two-stage workflow.

Stage 1: global technical cleanup

• Word Find/Replace is used for fast, simple fixes such as ellipses, spaces, and abbreviation cleanup.
• Some context-sensitive rules are applied paragraph by paragraph with Python regular expressions, because Word pattern matching was unreliable for several cases.

Stage 2: streaming paragraph pass

• The script iterates over all paragraphs in the document.
• It collects candidate proper nouns from capitalized word sequences.
• It skips all-caps lines when building the proper-noun list.
• It replaces ё only in words that are not recognized as proper nouns.
• It marks likely illustration captions.
• It removes leading Глава when found at the start of a paragraph.

At the end, the script saves:

• a reviewed .docx copy with tracked changes
• proper_nouns.txt with the extracted names

Usage

Install dependency:

pip install pywin32

Run on the first .docx in the folder:

python review_word.py

Run on a specific file:

python review_word.py "MyDocument.docx"

Notes

• Microsoft Word must be installed on Windows.
• The script edits through Word COM automation, so performance depends partly on Word itself.
• Some planned rules are intentionally disabled right now because they were unstable or too slow in real documents.

---

Python для литературной редактуры

Этот проект содержит вспомогательный парсер для технической редактуры Word-документов. Скрипт открывает .docx через Microsoft Word и pywin32, включает режим исправлений, применяет набор механических правок и сохраняет результат как новый файл.

Основной файл проекта: review_word.py. Скрипт рассчитан на черновую техническую чистку перед более глубокой смысловой редактурой.

Что Делает Скрипт

• Открывает первый .docx в папке проекта или файл, переданный аргументом командной строки.
• Включает режим исправлений Word с именем редактора python proofreading.
• Заменяет ... на знак многоточия ….
• Заменяет [...] и […] на <…>.
• Убирает тройные и двойные пробелы.
• Убирает пробел после « и перед ».
• Нормализует тире в нескольких базовых случаях:
  • цифра-тире-цифра -> среднее тире –
  • буква-тире-буква -> дефис -
  • прилипшее длинное тире рядом с буквами -> длинное тире с пробелами
• Добавляет пробел перед ссылками вида [1], если они слиты со словом.
• Заменяет точную словоформу проценты на %.
• Добавляет пробел перед %, если знак процента прилип к цифре.
• Нормализует несколько сокращений:
  • и т.д. -> и т. д.
  • и т.п. -> и т. п.
  • т.е. -> то есть
  • и пр. -> и прочее
• Сохраняет список имён собственных в отдельный файл.
• Меняет ё на е, кроме случаев, когда слово распознано как имя собственное.
• Подсвечивает строки, похожие на подписи к иллюстрациям, например Илл. 1. ....
• Удаляет слово Глава в начале абзаца.
• Печатает прогресс и общее время работы в терминал.

Как Работает Алгоритм

Скрипт работает в два этапа.

Этап 1: глобальная техническая чистка

• Для быстрых и простых замен используется Word Find/Replace: многоточия, пробелы, часть сокращений.
• Более чувствительные к контексту правила выполняются поабзацно через Python-регулярные выражения, потому что встроенный поиск Word оказался ненадёжным для ряда шаблонов.

Этап 2: потоковый проход по абзацам

• Скрипт проходит по всем абзацам документа.
• Из последовательностей слов с заглавной буквы собирает кандидатов в имена собственные.
• Строки, полностью набранные капсом, исключаются из этого списка.
• Замена ё выполняется только в словах, которые не попали в список имён собственных.
• Дополнительно подсвечиваются возможные подписи к иллюстрациям.
• Если в начале абзаца найдено слово Глава, оно удаляется.

В конце скрипт сохраняет:

• новую .docx-копию с исправлениями в режиме рецензирования
• файл proper_nouns.txt со списком найденных имён

Использование

Установка зависимости:

pip install pywin32

Запуск для первого .docx в папке:

python review_word.py

Запуск для конкретного файла:

python review_word.py "MyDocument.docx"

Примечания

• На Windows должен быть установлен Microsoft Word.
• Скрипт работает через COM-автоматизацию Word, поэтому скорость зависит не только от Python, но и от самого Word.
• Часть задуманных правил сейчас намеренно отключена, потому что на реальных документах они работали нестабильно или слишком медленно. Это в большей мере касается поиска и замены через встроенную функцию Word. Она сильно тормозит...