我要评论如何从10个左右的docx文档中抽取内容，生成新的文档，抽取内容包括源文档的文字内容、图片、表格、公式等，以及目标文档的样式排版、字体、格式，还有目标文档的语言风格、用词规范、文法习惯等等。这是一个相当复杂的需求，因为它不仅涉及内容提取，还涉及深度格式化和风格模仿。完全自动化的完美解决方案难度极高，特别是对于复杂的公式和微妙的语言风格。
一个务实的方案是采用 自动化 + 人工辅助 的混合策略。以下是详细的思路、技术路径、方法和步骤：
核心思路
内容提取 (自动化为主): 使用编程方式从源 docx 文件中提取所需的核心内容（文字、图片、表格、公式的某种表示）。
样式应用 (自动化): 基于一个定义了目标样式、排版、字体等的 模板文档，将提取的内容插入新文档，并应用模板中定义的样式。
语言风格调整 (自动化辅助 + 人工): 利用大型语言模型 (llm) 或自然语言处理 (nlp) 技术对提取的文本进行初步的风格、用词和文法调整，然后进行人工审阅和精修。
复杂元素处理 (人工为主): 对于难以自动处理的元素（如复杂公式、特定排版），进行人工调整。
技术路径
主要工具: python 编程语言
核心库:
- python-docx: 用于读取和写入 docx 文件（文本、表格、图片、基本样式应用）。
- (可选) 用于公式处理: 可能需要解析 docx 的底层 xml (ooxml)，或者寻找专门处理 mathml/omml 的库（这部分比较困难），或者将公式提取为图片。
- (可选) 用于图片处理: pillow (pil fork) 可能需要用于处理图片。
- (可选) 用于语言风格调整: 调用大型语言模型 api (如 openai gpt 系列、google gemini、或其他类似服务)。
辅助工具:
- microsoft word: 用于创建模板文档、最终审阅和调整。
- xml 编辑器 (可选): 用于深入分析 docx 内部结构（特别是公式）。
实现步骤
阶段一：准备工作
1.创建目标模板文档 (template.docx):
- 在 word 中创建一个新文档。
- 定义样式: 精心设置所有需要的样式（标题 1、标题 2、正文、引用、列表、表格样式等），包括字体、字号、颜色、段落间距、缩进等。确保样式名称清晰易懂（例如 targetheading1, targetbodytext, targettablestyle）。
- 设置页面布局: 页边距、纸张大小、页眉页脚等。
- 保存: 将此文档保存为 template.docx。这将是所有新生成文档的基础。
2.明确提取规则:
关键: 你需要非常清楚地定义 哪些 内容需要从每个源文档中提取出来。规则可以基于：
- 特定标题: “提取 ‘第三章 方法’ 下的所有内容”。
- 特定样式: “提取所有应用了 ‘源文档重点’ 样式的内容”。
- 关键词/标记: “提取包含 ‘[extract]’ 标记的段落”。
- 结构位置: “提取每个文档的第二个表格”。
- 人工指定: (最灵活但最慢) 手动在源文档中标记要提取的内容（例如使用 word 的批注功能或特定高亮颜色），然后让脚本识别这些标记。
- 文档化规则: 将这些规则清晰地记录下来，以便编写脚本。
3.设置开发环境:
安装 python。
使用 pip 安装必要的库:
pip install python-docx pillow requests # 如果需要调用 llm api # 可能需要其他库，取决于具体实现
(可选) 获取 llm api 密钥。
阶段二：内容提取 (python 脚本)
import os
from docx import document
from docx.shared import inches
# 可能需要导入其他模块，如处理 xml 或调用 api
# --- 配置 ---
source_docs_dir = 'files/transform/docx/source_documents'
target_template = 'files/transform/docx/template.docx'
output_doc_path = 'files/transform/docx/generated_document.docx'
extraction_rules = { # 示例规则，需要根据你的实际情况修改
'source_doc_1.docx': {'heading_start': 'chapter 3', 'heading_end': 'chapter 4'},
'source_doc_2.docx': {'style_name': 'sourcehighlight'},
# ... 其他文档的规则
}
# --- 辅助函数 (示例) ---
def should_extract_paragraph(paragraph, rules):
# 实现基于规则判断段落是否应该提取的逻辑
# 例如：检查段落文本是否匹配、样式是否匹配等
# 返回 true 或 false
# (这部分逻辑需要根据你的具体规则编写)
style_name = paragraph.style.name
text = paragraph.text.strip()
# 示例：基于样式的简单规则
if 'style_name' in rules and style_name == rules['style_name']:
return true
# 示例：基于起始标题的简单规则（需要状态管理）
# if 'heading_start' in rules ... (需要更复杂的逻辑来跟踪当前章节)
return false # 默认不提取
def extract_content_from_doc(source_path, rules):
"""从单个源文档提取内容"""
extracted_elements = []
try:
source_doc = document(source_path)
# 标记是否处于提取区域（例如，在特定章节之间）
in_extraction_zone = false # 需要根据规则调整初始状态
for element in source_doc.element.body:
# 处理不同类型的元素：段落、表格等
if element.tag.endswith('p'): # 是段落
paragraph = docx.text.paragraph.paragraph(element, source_doc)
# --- 核心提取逻辑 ---
# 这里需要根据你的 extraction_rules 实现复杂的判断逻辑
# 例如，判断是否遇到起始标题，是否遇到结束标题，段落样式是否匹配等
# 这是一个简化的示例，实际可能需要更精细的状态管理
if 'heading_start' in rules and paragraph.style.name.startswith('heading') and rules['heading_start'] in paragraph.text:
in_extraction_zone = true
continue # 不提取起始标题本身？看需求
if 'heading_end' in rules and paragraph.style.name.startswith('heading') and rules['heading_end'] in paragraph.text:
in_extraction_zone = false
continue # 到达结束标题，停止提取
if in_extraction_zone or should_extract_paragraph(paragraph, rules):
# 提取文本内容
text_content = paragraph.text
# 尝试提取基本格式（粗体、斜体） - 比较复杂，可能需要遍历 runs
# todo: 提取图片 (需要检查段落中的 inline_shapes 或 runs 中的 drawing)
# todo: 提取公式 (极具挑战性，见下文讨论)
extracted_elements.append({'type': 'paragraph', 'text': text_content, 'style': paragraph.style.name}) # 可以携带源样式名供参考
elif element.tag.endswith('tbl'): # 是表格
table = docx.table.table(element, source_doc)
# --- 提取表格 ---
# todo: 实现表格提取逻辑，可能需要检查是否在提取区域内
# if in_extraction_zone or table_should_be_extracted(table, rules):
table_data = []
for row in table.rows:
row_data = [cell.text for cell in row.cells]
table_data.append(row_data)
extracted_elements.append({'type': 'table', 'data': table_data})
# --- 处理图片 ---
# 查找段落内的图片 (inline_shapes)
# paragraph = docx.text.paragraph.paragraph(element, source_doc) # re-get paragraph object if needed
# for run in paragraph.runs:
# if run.element.xpath('.//wp:inline | .//wp:anchor'): # check for drawings
# # this part is complex: need to get image data (rid) and relate it back
# # to the actual image part in the docx package.
# # python-docx can extract images, but associating them perfectly
# # with their original position during extraction requires care.
# # placeholder:
# # image_data = get_image_data(run, source_doc)
# # if image_data:
# # extracted_elements.append({'type': 'image', 'data': image_data, 'filename': f'img_{len(extracted_elements)}.png'})
pass # placeholder for image extraction logic
except exception as e:
print(f"error processing {source_path}: {e}")
return extracted_elements
# --- 主流程 ---
all_extracted_content = []
source_files = [f for f in os.listdir(source_docs_dir) if f.endswith('.docx')]
for filename in source_files:
source_path = os.path.join(source_docs_dir, filename)
rules = extraction_rules.get(filename, {}) # 获取该文件的提取规则
if rules: # 只处理定义了规则的文件
print(f"extracting from: {filename}")
content = extract_content_from_doc(source_path, rules)
all_extracted_content.extend(content)
else:
print(f"skipping {filename}, no rules defined.")
print(f"total elements extracted: {len(all_extracted_content)}")阶段三：语言风格调整 (可选, python + llm api)
# --- ---
import requests
import json
# --- 配置 llm ---
llm_api_url = "your_llm_api_endpoint" # e.g., openai api url
llm_api_key = "your_llm_api_key"
llm_prompt_template = """
请根据以下要求，改写这段文字：
目标语言风格：[在此处详细描述，例如：正式、客观、简洁]
用词规范：[在此处列出规范，例如：使用“用户”而非“客户”，避免使用缩写]
文法习惯：[在此处描述，例如：多使用主动语态，句子长度适中]
目标受众：[描述目标读者]
原文：
"{text}"
改写后的文字：
"""
def adapt_text_style(text):
"""使用 llm api 调整文本风格"""
if not text.strip():
return text # 跳过空文本
prompt = llm_prompt_template.format(text=text)
headers = {
"authorization": f"bearer {llm_api_key}",
"content-type": "application/json",
}
data = {
"model": "gpt-4", # 或你使用的模型
"prompt": prompt,
"max_tokens": 1024, # 根据需要调整
"temperature": 0.5, # 控制创造性，较低值更保守
}
try:
response = requests.post(llm_api_url, headers=headers, json=data)
response.raise_for_status() # 检查 http 错误
result = response.json()
# 解析 llm 返回的结果，注意不同 api 的格式可能不同
rewritten_text = result['choices'][0]['text'].strip() # 示例路径
print(f"original: {text[:50]}... | rewritten: {rewritten_text[:50]}...")
return rewritten_text
except requests.exceptions.requestexception as e:
print(f"error calling llm api: {e}")
return text # 出错时返回原文
except (keyerror, indexerror) as e:
print(f"error parsing llm response: {e} - response: {response.text}")
return text # 出错时返回原文
# --- 应用风格调整 ---
adjusted_content = []
for element in all_extracted_content:
if element['type'] == 'paragraph':
# --- 调用 llm api ---
# adjusted_text = adapt_text_style(element['text'])
# element['text'] = adjusted_text # 更新文本
# --- 或者先不调用，等生成后再处理 ---
adjusted_content.append(element)
elif element['type'] == 'table':
# 表格内容也可以逐个单元格处理，但可能效果不佳或成本高
# 更好的方法可能是将表格内容整理成文本描述给 llm，或者人工处理
adjusted_content.append(element)
elif element['type'] == 'image':
# 图片无法直接处理
adjusted_content.append(element)
# 处理其他类型...
# --- (接续到下一阶段：文档生成) ---
阶段四：生成目标文档 (python 脚本)
# --- (续上) ---
# --- 创建目标文档 (基于模板) ---
try:
target_doc = document(target_template)
except exception as e:
print(f"error loading template {target_template}: {e}")
# 可以考虑创建一个空文档作为后备
# target_doc = document()
exit()
# --- 填充内容并应用样式 ---
for element in adjusted_content: # 使用调整后的内容，或者原始提取内容
if element['type'] == 'paragraph':
text = element['text']
# --- 核心：应用模板中定义的样式 ---
# 简单方式：所有段落应用默认正文样式
# target_doc.add_paragraph(text, style='targetbodytext') # 假设模板中有此样式
# 复杂方式：根据源文档信息或内容判断应用哪个目标样式
# 示例：如果源样式是 heading 1，应用 targetheading1
source_style = element.get('style', '') # 获取源样式名（如果提取时保存了）
if source_style.startswith('heading 1'):
target_doc.add_paragraph(text, style='targetheading1') # 假设模板中有此样式
elif source_style.startswith('heading 2'):
target_doc.add_paragraph(text, style='targetheading2')
# ... 其他样式映射规则
else:
target_doc.add_paragraph(text, style='targetbodytext') # 默认样式
elif element['type'] == 'table':
table_data = element['data']
if table_data:
# 创建表格
num_rows = len(table_data)
num_cols = len(table_data[0]) if num_rows > 0 else 0
if num_rows > 0 and num_cols > 0:
# --- 应用模板中定义的表格样式 ---
table = target_doc.add_table(rows=num_rows, cols=num_cols, style='targettablestyle') # 假设模板中有此表格样式
# 填充数据
for i, row_data in enumerate(table_data):
for j, cell_text in enumerate(row_data):
# 防止列数不匹配错误
if j < len(table.rows[i].cells):
table.rows[i].cells[j].text = cell_text
# 可以添加更多表格格式化代码，如设置列宽等
elif element['type'] == 'image':
# --- 添加图片 ---
# image_data = element['data']
# image_filename = element['filename']
# # 需要将 image_data 保存为临时文件或使用 bytesio
# from io import bytesio
# image_stream = bytesio(image_data)
# try:
# target_doc.add_picture(image_stream, width=inches(4.0)) # 调整宽度
# except exception as e:
# print(f"error adding image {image_filename}: {e}")
pass # placeholder for image insertion
# --- 处理公式 (挑战) ---
# 如果公式被提取为图片:
# elif element['type'] == 'formula_image':
# # 添加图片...
# 如果公式被提取为 mathml/omml (xml 字符串):
# elif element['type'] == 'formula_mathml':
# # 使用 python-docx 直接插入 mathml 很困难
# # 可能需要直接操作 ooxml (非常复杂)
# # 或者，在段落中插入一个占位符 "[formula]"，然后手动替换
# target_doc.add_paragraph(f"[formula: {element['id']}]", style='targetbodytext')
# 如果公式被提取为纯文本近似值:
# elif element['type'] == 'formula_text':
# target_doc.add_paragraph(element['text'], style='formulastyle') # 可能需要特殊样式
# --- 保存最终文档 ---
try:
target_doc.save(output_doc_path)
print(f"document successfully generated: {output_doc_path}")
except exception as e:
print(f"error saving document: {e}")阶段五：人工审阅与精修
1.打开生成的文档 (generated_document.docx)。
2.检查整体结构和内容完整性: 是否所有需要的内容都被提取并放置在正确的位置？
3.检查样式和格式:
- 所有文本是否应用了正确的模板样式？
- 字体、字号、间距是否符合要求？
- 表格样式是否正确？列宽、对齐是否需要调整？
- 图片位置和大小是否合适？
4.检查语言风格和规范:
- 通读文本，检查语气、用词是否符合目标要求。
- 修正 llm 可能产生的错误或不自然的表达。
- 确保术语统一。
- 进行拼写和语法检查。
5.处理复杂元素:
公式: 这是最可能需要手动操作的地方。如果脚本插入了占位符，你需要手动将源文档中的公式复制粘贴过来，或者使用 word 的公式编辑器重新创建它们。确保公式的编号和引用正确。
特殊排版: 检查是否有需要特殊布局（如图文混排、分栏等）的地方，并手动调整。
6.最终定稿: 保存修改后的文档。
关于公式处理的挑战与策略
难点: docx 中的公式通常使用 omml (office math markup language) 存储，嵌套在复杂的 xml 结构中。python-docx 对此支持有限。
策略:
- 提取为图片 (最可行): 尝试在提取阶段将公式渲染或截图为图片。这会丢失编辑能力，但能保证视觉效果。实现起来也有难度，可能需要借助其他工具或库（如 docx2python 库可能提供一些帮助，或者需要分析 ooxml 找到图片表示）。
- 提取为 mathml/omml (复杂): 解析 ooxml，提取公式的 xml 片段。但 python-docx 无法直接将这些 xml 重新插入并渲染为公式。需要非常底层的 ooxml 操作。
- 提取为近似文本 (简单但损失精度): python-docx 读取包含公式的段落 text 属性时，有时会得到一个纯文本的近似表示。这对于简单公式可能够用，但复杂公式会完全失真。
- 手动处理 (最可靠): 在脚本中识别出公式位置，插入占位符，然后在人工审阅阶段手动复制/创建公式。
总结
这是一个多阶段、结合自动化和人工的过程。
自动化强项: 重复性的内容提取、基于模板的样式应用、初步的文本风格转换（使用 llm）。
人工介入点: 定义精确的提取规则、处理复杂公式、精调语言风格和术语、最终的格式微调和质量检查。
投入时间最多的部分将是 编写和调试提取逻辑 以及 最终的人工审阅和修正。务必从少量文档和简单规则开始，逐步迭代和完善你的脚本。
以上就是python实现word文档内容智能提取以及合成的详细内容，更多关于python word文档内容提取与合成的资料请关注代码网其它相关文章！
发表评论