# 文档清理工具

这是一个用于清理和标准化Word文档(doc/docx)的Python工具，主要用于为构建RAG知识库做数据准备工作。

## 主要功能

- 移除页眉页脚（包括页码）
- 删除特殊符号（版权信息、水印等）
- 统一标点符号（全角转半角）
- 分离正文与附录/参考文献
- 删除重复段落（基于文本相似度）
- 自动跳过图片内容
- 支持doc格式自动转换为docx
- 保持原始文档格式（统一输出docx格式）

## 系统要求

- Python 3.6+
- LibreOffice（用于转换doc格式文件）

### 安装LibreOffice

- macOS:
```bash
brew install libreoffice
```

- Ubuntu/Debian:
```bash
sudo apt-get install libreoffice
```

- Windows:
从[LibreOffice官网](https://www.libreoffice.org/download/download/)下载安装，并确保将安装目录添加到系统PATH中。

## 安装依赖

```bash
pip install -r requirements.txt
```

## 使用方法

```bash
python doc_cleaner.py 输入目录 输出目录
```

### 示例

```bash
python doc_cleaner.py ./input_docs ./cleaned_docs
```

## 输出说明

程序会为每个处理的文档生成一个清理后的docx文件：
- `文档名_cleaned.docx`: 包含清理后的正文内容和附录（如果存在）
- 附录内容会自动添加分页符并在新页面开始
- 所有文件（包括原始doc格式）都会统一转换并保存为docx格式
- 保持文档格式为docx，支持段落对齐等基本格式

## 注意事项

1. 确保输入目录中包含要处理的doc或docx文件
2. 程序会自动创建输出目录（如果不存在）
3. 处理过程中的错误会被记录但不会中断整体处理
4. 相似度阈值默认设置为0.85，可以通过修改代码中的`similarity_threshold`参数调整
5. 输出文件将统一保存为docx格式，便于后续编辑和使用
6. 处理doc格式文件需要安装LibreOffice
7. 首次处理doc文件时可能需要较长时间，因为需要进行格式转换

## 正则表达式说明

### 页眉页脚匹配模式
- `\d+-\d+`: 匹配类似"1-1"的页码格式
- `第\s*\d+\s*页`: 匹配中文页码
- `Page\s*\d+\s*of\s*\d+`: 匹配英文页码

### 附录标题匹配模式
- `^附录\s*[A-Za-z]?[\s:：]`
- `^Appendix\s*[A-Za-z]?[\s:：]`
- `^参考文献$`
- `^References$`
- `^Bibliography$`