python如何获取word文档的总页数

最新推荐文章于 2024-08-26 21:34:53 发布

bagell

最新推荐文章于 2024-08-26 21:34:53 发布

阅读量852

点赞数 25

文章标签： python word 开发语言

本文链接：https://blog.csdn.net/bagell/article/details/137331820

版权

本文探讨了在使用AI工具如ChatGPT、文心一言等解析doc文档时遇到的问题，着重介绍了一种通过langchain库间接获取文档页数的方法以及将Word转换为PDF获取精确页数的备选方案，同时指出了各自的局限性。

摘要由CSDN通过智能技术生成

最近在搞AI. 遇到了一个问题，就是要进行doc文档的解析。并且需要展示每个文档的总页数。

利用AI. 分别尝试了chatGPT, 文心一言， github copilot，Kimi 等工具，给出来的答案都不尽如人意。

给的最多的查询方式就是下面这种。

这个给大家避雷一下。使用python-docx的方式，是没有办法获取文档总页数的。如果想获取，也只能是获取一个近似值，大体就是根据每个页面平均有多少个段落，或者平均有多少行的方式，近似的得到一个结果。完全是不准确的。

那么如果想要获取总页数，应该怎么办呢？经过一番调研这里给出两种解决方案，两种方案也都各有优缺点。可能也不一定是完全准确的，但是相比于上面的方式还是要好出很多。

一、使用langchain

langchain是什么，这里就不详细介绍了，是AI领域当前非常流行的一套框架。 langchain中提供了很多开箱即用的功能，比如文档解析、文档拆分，向量比较、摘要提取等。在文档解析中，就有对于word文档解析的方法，这在个方法中，我们可以间接获取文档页数。

地址： www.langchain.com.cn/modules/ind…

方法：

word_path = '/xxx/xxx.docx'
loader = UnstructuredWordDocumentLoader(word_path, mode="paged")
docs = loader.load_and_split(texts_splitter)
for doc in docs:
    print(doc)

这里的mode可以选择paged,也可以使用elements 一个是按照页进行分割，一个是按照元素做分割。那么怎么获取页数呢，在返回的元素中，就可以找到page_number这样一个字段。

所以无论我们使用paged还是使用elements，都可以从返回结果（集合）中通过获取page_number的最大值，来得到该文档的总页数。

局限性： 这种方法也不是没有任何缺点，但是整理来说还是相对准确的。确定就是有的时候，文档明明是三页。但是解析出来的结果可能是两页。我出现过一次，主要是我自己做了测试，第二页空白比较多的时候，又添加了第三页。这个时候，第三页的内容出现在第二页的解析结果中了。导致最终识别的结果为2.

2. 没啥好办法，word2pdf

的确，没啥好的办法了，只能先把word转换为pdf, 然后获取pdf的页数。 pdf的页数获取还是很简单的，很多pdf相关工具，都有这个功能，也就一行代码的事。给一个例子吧：

from fitz import fitz

doc = fitz.open(pdf_path)
print(doc.page_count)

问题主要在于word如何转为pdf, 我这里使用的是libreOffice. 不同的平台有不同平台的安装包。具体的使用，这里就不详细介绍了。

局限性 主要局限性就是平台限制，比如我们的文档通常是在windows上，而部署平台一般是在linux上，相当于libreOffice要装在linux上，这个时候，由于平台不同，转换出来的pdf页数可能也会有一些差距，都一页少一页这类的。有没有好的方案呢。两种，一种是用windows系统做部署服务器。一种是使用wps+docker desktop的方式。

两种方式，都有点小缺陷，但是误差不大，可接受的就用这两种方法把，接受不了的，可以按照给的思路，自己去折腾折腾。

好了，感谢关注，谢谢支持。