7.2 KiB
7.2 KiB
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）
- 完整保留表格内容及格式
- 支持表格转换为格式化文本，便于大模型识别
- 同时输出docx和txt格式文件，txt文件包含完整的文本内容和表格的文本表示
系统要求
- Python 3.6+
- LibreOffice（用于转换doc格式文件）
安装LibreOffice
- macOS:
brew install libreoffice
- Ubuntu/Debian:
sudo apt-get install libreoffice
- Windows: 从LibreOffice官网下载安装，并确保将安装目录添加到系统PATH中。
安装依赖
pip install -r requirements.txt
使用方法
python doc_cleaner.py 输入目录
示例
python doc_cleaner.py ./input_docs
输出说明
程序会为每个处理的文档生成两个文件：
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
- 表格以文本格式显示，使用ASCII字符绘制边框和分隔符
- 使用等宽字体（Courier New）确保表格对齐
- 自动调整列宽以适应内容
- 清晰标识表格序号和位置（正文/附录）
文档名_cleaned.txt: 包含所有文本内容的纯文本文件- 包含完整的正文内容
- 包含所有表格的文本表示（使用ASCII字符绘制）
- 保持文档的原始结构（正文、表格、附录的顺序）
- 使用空行分隔不同部分
- 清晰标注表格的序号和位置
注意事项
- 确保输入目录中包含要处理的doc或docx文件
- 程序会自动创建输出目录（如果不存在）
- 处理过程中的错误会被记录但不会中断整体处理
- 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 - 输出文件将统一保存为docx格式，便于后续编辑和使用
- 处理doc格式文件需要安装LibreOffice
- 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$
版本历史
v1.1.0 (2024-01-09)
- 新增完整的表格支持
- 保留表格原始格式和样式
- 优化文档处理流程
v1.0.0
- 初始版本发布
- 基础文档清理功能
更新日志
2024-03-21
- 修复了表格位置错误的问题
- 改进了表格占位符的处理机制
- 实现了基于索引的精确表格定位
- 确保表格按原文档位置正确插入
- 重构了文档处理核心逻辑
- 改进了文档元素的解析和存储方式
- 优化了正文和附录的分离逻辑
- 加强了表格位置的追踪机制
- 简化了文档结构处理流程
2024-03-xx
- 修复了表格在清理过程中位置错位的问题
- 改进了文本清理逻辑，确保表格占位符不被清理
- 优化了去重算法，保持表格在文档中的原始位置
- 分离表格和文本内容的处理流程，避免交叉影响
2024-03-22
- 优化了文件类型检测方法
- 移除了对magic库的依赖
- 改用文件后缀名直接判断文件类型
- 简化了文件类型检测逻辑
2024-03-23
- 优化表格处理方式
- 将表格直接转换为文本格式显示在文档中
- 使用ASCII字符绘制表格边框和分隔符
- 采用等宽字体确保表格对齐
- 自动调整列宽以适应内容
- 优化了表格内容的文本对齐方式
- 保留表头样式，便于识别表格结构
- 清晰标识表格序号和位置（正文/附录）
- 移除了原始表格格式，提高可读性和兼容性
2024-03-24
- 新增文本文件输出功能
- 同时生成docx和txt格式的输出文件
- txt文件包含完整的文本内容和表格的文本表示
- 保持文档结构和内容的完整性
- 优化了表格在文本文件中的显示效果
2024-03-25
- 优化文本输出格式
- 移除文本输出中的换行符
- 使用空格分隔文本内容
- 提高文本的连续性和可读性
2024-03-26
- 优化表格文本格式
- 移除ASCII边框字符（+和-）
- 使用方括号[]标识单元格边界
- 避免JSON解析错误
- 简化表格文本表示方式
2024-03-27
- 进一步优化文本输出格式
- 移除所有换行符和多余空格
- 所有内容在单行内显示
- 优化表格文本的连续性
- 确保输出文本的JSON兼容性
2024-03-28
- 改进表格输出格式
- 采用表单形式输出表格内容
- 使用"键:值"格式表示每个单元格
- 按行组织表格数据
- 使用表头作为数据项的键名
- 提高表格数据的可读性和结构性
2024-03-29
- 完善表格输出格式
- 添加表头行作为第一行输出
- 确保每行数据包含所有字段
- 保持字段顺序与表头一致
- 空值字段显示为空字符串
- 提升数据的完整性和一致性
2024-03-30
- 增强复杂表格处理能力
- 支持多级表头的识别和处理
- 正确处理水平和垂直合并单元格
- 智能识别表头行数（最多支持3行表头）
- 优化表头和数据的关联方式
- 提供更清晰的数据结构表示
- 完善空值和特殊情况的处理
- 确保合并单元格数据的完整性
2024-03-31
- 优化表格处理错误处理机制
- 增加多层错误处理，确保程序稳定性
- 改进合并单元格处理逻辑
- 优化空值和异常值的处理方式
- 提供更详细的错误位置信息
- 确保部分错误不影响整体处理
- 完善日志输出，便于问题定位
2024-04-01
- 深度优化复杂表格处理
- 改进多级表头的识别和处理算法
- 优化表头层级结构的分析方法
- 增强跨行跨列单元格的处理能力
- 改进表头标识符的构建逻辑
- 提升数据与表头的关联准确性
- 支持更复杂的表格结构解析
- 完善异常情况的处理机制
2024-04-02
- 优化表头处理逻辑
- 消除表头中的重复前缀
- 优化多级表头的组合方式
- 改进跨列表头的处理机制
- 增加表头去重功能
- 保持表头层级的清晰性
- 提高表格数据的可读性
- 减少冗余信息
功能特性
- 支持doc和docx格式的文档处理
- 清理文档中的页眉页脚
- 保留文档中的表格并维持其原始位置
- 支持附录的单独处理
- 文本去重功能
- 批量处理目录下的所有文档