非结构化文本解决方案打标签

最近领导让我们把自己公司内部的知识库平台里面的方案进行打标

材料类型：80%为ppt、word

材料概述：产品、方案、案例（偏售前的方案）

一、PPT：我自己是没有什么更好的方案做打标工作，应该会用到图像算法之类的，我现在的水平解决不了，只能用微信截图识别文本复制粘贴，顶多用GPT帮我处理一下文本格式

二、WORD：word如果用了结构分明的heading格式做目录，那么将会非常好处理。由于文档是只读格式，所以纯纯用word转化为excel是可以通过wps或者office做到，但是对于目录格式有限制，但是由于我没有编辑权限所以采用了python脚本处理

预期效果：提取目录文本为结构化数据，且heading1在表格的第一列，heading2为表格的第二列，依次排布且行之间要有对应关系。

使用脚本：

import pandas as pd
from docx import Document

def read_toc(doc_path):
    doc = Document(doc_path)
    toc = []

    for paragraph in doc.paragraphs:
        if paragraph.style.name.startswith('Heading'):
            level = int(paragraph.style.name.split(' ')[-1])
            text = paragraph.text
            toc.append((level, text))

    return toc

def toc_to_excel(toc, excel_path):
    max_level = max(level for level, _ in toc)
    data = {f'Title_{i+1}': [] for i in range(max_level)}

    current_row = {f'Title_{i+1}': '' for i in range(max_level)}

    for level, text in toc:
        current_row[f'Title_{level}'] = text
        for i in range(level + 1, max_level + 1):
            current_row[f'Title_{i}'] = ''

        data = {key: data[key] + [current_row[key]] for key in data}

    df = pd.DataFrame(data)
    df.to_excel(excel_path, index=False)


# 使用示例
doc_path =r'C:\Users\xxx\Downloads\xxxxx.docx'
excel_path = 'output_excel_file.xlsx'
toc = read_toc(doc_path)
toc_to_excel(toc, excel_path)

处理结果：

复制粘贴问题解决~ 

代码解释：

这段代码的目标是读取一个 Word 文档中的标题，根据标题的层级将其放入 Excel 表格的不同列中，并保存为一个 Excel 文件。

具体步骤如下：

1. read_toc 函数：

   • 该函数接收一个 Word 文档的路径 doc_path 作为输入。
   • 使用 docx 库的 Document 类来打开 Word 文档。
   • 遍历文档中的每个段落，检查段落的样式是否以 'Heading' 开头，如果是则提取出标题的层级和文本内容，并将它们作为元组 (level, text) 添加到列表 toc 中。
   • 返回包含标题信息的 toc 列表。

2. toc_to_excel 函数：

   • 该函数接收标题信息列表 toc 和 Excel 文件路径 excel_path 作为输入。
   • 计算出标题的最大层级 max_level。
   • 初始化两个字典 data 和 current_row，它们用于存储数据和当前行的标题信息。
   • 遍历 toc 中的每个标题信息，更新 current_row 中对应层级的标题，并将数据添加到 data 中。
   • 创建一个 DataFrame df，其中每个列的标题都以 'Title_' 开头，并将数据保存为 Excel 文件。

3. 使用示例：

   • 提供了一个具体的 Word 文档路径 doc_path 和保存 Excel 文件的路径 excel_path。
   • 调用 read_toc 函数读取标题信息，并将其传递给 toc_to_excel 函数，生成 Excel 文件。

在使用时，你需要将 doc_path 替换为你的实际 Word 文档路径，然后运行脚本。生成的 Excel 文件将包含每个层级的标题，并且每个层级的标题都会在 Excel 表格的相应列中。