【AI OpenAI doc】模型

已于 2024-04-16 14:55:30 修改
阅读量1k 收藏 19
点赞数 20
分类专栏： OpenAI-doc 文章标签： 人工智能 ai
于 2024-03-28 10:05:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mahone3297/article/details/137102037
版权

概述

OpenAI API由一组具有不同能力和价格点的多样化模型驱动。您还可以通过微调对我们的模型进行定制，以适应您特定的用例。

MODELDESCRIPTION
GPT-4 and GPT-4 Turbo一组模型，改进了GPT-3.5，并且能够理解并生成自然语言或代码。
GPT-3.5 Turbo一组模型，改进了GPT-3.5，并且能够理解并生成自然语言或代码。
DALL·E一个能够根据自然语言提示生成和编辑图像的模型。
TTS一组能够将文本转换为自然听觉语音的模型。
Whisper一个能够将音频转换为文本的模型。
Embeddings一组能够将文本转换为数值形式的模型。
Moderation一个经过微调的模型，可以检测文本是否可能敏感或不安全。
GPT base一组没有遵循指令的模型，能够理解并生成自然语言或代码。
Deprecated一个完整的模型列表，已经被弃用，并附带建议的替代方案。

我们还发布了开源模型，包括Point-E、Whisper、Jukebox和CLIP。

持续模型升级

gpt-3.5-turbo、gpt-4和gpt-4-turbo-preview指向最新的模型版本。您可以通过查看发送请求后的响应对象来验证这一点。响应将包含使用的具体模型版本（例如gpt-3.5-turbo-0613）。

我们还提供静态模型版本，开发人员可以在更新的模型推出后至少继续使用三个月。随着模型更新的新节奏，我们还赋予人们能力，以帮助我们改进不同用例的模型。如果您感兴趣，请查看OpenAI Evals存储库。

在我们的弃用页面上了解更多关于模型弃用的信息。

GPT-4和GPT-4 Turbo

GPT-4是一个大型多模态模型（接受文本或图像输入并输出文本），能够比我们以前的任何模型更准确地解决困难问题，这要归功于它更广泛的一般知识和先进的推理能力。GPT-4可供付费客户在OpenAI API中使用。与gpt-3.5-turbo类似，GPT-4针对聊天进行了优化，但也适用于使用聊天完成API进行传统任务。了解如何在我们的文本生成指南中使用GPT-4。

MODELDESCRIPTIONCONTEXT WINDOWTRAINING DATA
gpt-4-0125-preview新的GPT-4 Turbo，旨在减少模型无法完成任务的情况，最多返回4,096个输出标记。了解更多128,000个标记直到2023年12月
gpt-4-turbo-preview目前指向gpt-4-0125-preview。128,000个标记直到2023年12月
gpt-4-1106-preview具有改进的指令跟随、JSON模式、可重复输出、并行函数调用等功能的GPT-4 Turbo模型。最多返回4,096个输出标记。了解更多128,000个标记直到2023年4月
gpt-4-vision-preview具有理解图像的能力，除了所有其他GPT-4 Turbo功能外。目前指向gpt-4-1106-vision-preview。128,000个标记直到2023年4月
gpt-4-1106-vision-preview具有理解图像的能力，除了所有其他GPT-4 Turbo功能外。最多返回4,096个输出标记。这是一个预览模型版本。了解更多128,000个标记直到2023年4月
gpt-4目前指向gpt-4-0613。参见连续模型升级。8,192个标记直到2021年9月
gpt-4-0613来自2023年6月13日的gpt-4快照，具有改进的函数调用支持。8,192个标记直到2021年9月
gpt-4-32k目前指向gpt-4-32k-0613。参见连续模型升级。此模型从未广泛推出，而是倾向于GPT-4 Turbo。32,768个标记直到2021年9月
gpt-4-32k-0613来自2023年6月13日的gpt-4-32k快照，具有改进的函数调用支持。此模型从未广泛推出，而是倾向于GPT-4 Turbo。32,768个标记直到2021年9月

对于许多基本任务来说，GPT-4和GPT-3.5模型之间的差异并不显著。然而，在更复杂的推理情况下，GPT-4比我们以前的任何模型都要更加强大。

多语言能力

GPT-4在多方面表现优异，不仅超过了以往的大型语言模型，而且截至2023年，还超过了大多数最先进的系统（这些系统通常具有特定于基准测试的训练或手工工程）。在MMLU基准测试中，涵盖57个主题的英语多项选择题套件中，GPT-4不仅在英语方面以显着优势超越现有模型，而且在其他语言中也表现出强大的性能。

GPT-3.5 Turbo

GPT-3.5 Turbo模型可以理解并生成自然语言或代码，并已经通过Chat Completions API进行了优化，用于聊天，但同样适用于非聊天任务。

MODELDESCRIPTIONCONTEXT WINDOWTRAINING DATA
gpt-3.5-turbo-0125新更新的GPT 3.5 Turbo，具有更高的准确性，可响应请求的格式，并修复了一个导致非英语语言函数调用出现文本编码问题的错误。最多返回4,096个输出标记。了解更多16,385个标记直到2021年9月
gpt-3.5-turbo目前指向gpt-3.5-turbo-0125。16,385个标记直到2021年9月
gpt-3.5-turbo-1106具有改进的指令跟随、JSON模式、可重复输出、并行函数调用等功能的GPT-3.5 Turbo模型。最多返回4,096个输出标记。了解更多16,385个标记直到2021年9月
gpt-3.5-turbo-instruct与GPT-3时代模型具有类似的功能。与遗留的Completions端点兼容，而不是Chat Completions。4,096个标记直到2021年9月
gpt-3.5-turbo-16k已弃用，目前指向gpt-3.5-turbo-16k-0613。16,385个标记直到2021年9月
gpt-3.5-turbo-0613来自2023年6月13日的gpt-3.5-turbo快照。将于2024年6月13日弃用。4,096个标记直到2021年9月
gpt-3.5-turbo-16k-0613来自2023年6月13日的gpt-3.5-16k-turbo快照。将于2024年6月13日弃用。16,385个标记直到2021年9月

DALL·E

DALL·E是一个人工智能系统，可以根据自然语言中的描述创建逼真的图像和艺术作品。DALL·E 3目前支持根据提示创建具有特定尺寸的新图像的能力。DALL·E 2也支持编辑现有图像或创建用户提供图像的变体的能力。

DALL·E 3可通过我们的Images API与DALL·E 2一起使用。您可以通过ChatGPT Plus尝试DALL·E 3。

MODELDESCRIPTION
dall-e-3新的DALL·E 3，于2023年11月发布的最新版本。了解更多
dall-e-2先前的DALL·E模型，于2022年11月发布。DALL·E的第二次迭代，比原始模型具有更逼真、准确且分辨率提高4倍的图像。

TTS

TTS是一种将文本转换为自然语音的人工智能模型。我们提供两种不同的模型变体，tts-1经过优化，适用于实时文本到语音的使用情况，而tts-1-hd则针对质量进行了优化。这些模型可以与Audio API中的Speech端点一起使用。

MODELDESCRIPTION
tts-1新的 Text-to-speech 1，最新的文本转语音模型，针对速度进行了优化。
tts-1-hd新的 Text-to-speech 1 HD，最新的文本转语音模型，针对质量进行了优化。

Whisper

Whisper是一个通用的语音识别模型。它是在一个包含各种各样音频的大型数据集上进行训练的，并且也是一个多任务模型，可以执行多语言语音识别、语音翻译和语言识别。Whisper v2-large模型目前可通过我们的API以whisper-1模型名称使用。

目前，Whisper的开源版本与我们API提供的版本之间没有区别。但是，通过我们的API，我们提供了一个优化的推理过程，使得通过我们的API运行Whisper比通过其他方式运行要快得多。有关Whisper的更多技术细节，您可以阅读相关论文。

Embeddings

Embeddings是文本的数值表示，可用于衡量两段文本之间的相关性。Embeddings对于搜索、聚类、推荐、异常检测和分类任务非常有用。您可以在我们的公告博客文章中了解更多关于我们最新的嵌入模型的信息。

MODELDESCRIPTIONOUTPUT DIMENSION
text-embedding-3-large新 Embedding V3 large，适用于英语和非英语任务的最具能力的嵌入模型。3,072
text-embedding-3-small新 Embedding V3 small，与第二代ada嵌入模型相比，性能提升。1,536
text-embedding-ada-002最具能力的第二代嵌入模型，替代了16个第一代模型。1,536

审查

审查模型旨在检查内容是否符合OpenAI的使用政策。这些模型提供分类功能，以查找以下类别的内容：仇恨、仇恨/威胁、自残、性、性/未成年人、暴力和暴力/图形。您可以在我们的审查指南中了解更多信息。

审查模型接收任意大小的输入，自动分成4,096个标记的块。在输入超过32,768个标记的情况下，将使用截断，这在极少数情况下可能会从审查检查中省略少量标记。

每个对审查端点的请求的最终结果显示每个类别的最大值。例如，如果一个4K标记的块的类别分数为0.9901，另一个为0.1901，由于较高，API响应中的结果将显示0.9901。

MODELDESCRIPTIONMAX TOKENS
text-moderation-latest当前指向text-moderation-007。32,768
text-moderation-stable当前指向text-moderation-007。32,768
text-moderation-007在所有类别中最具能力的审查模型。32,768

GPT基础模型

GPT基础模型能够理解和生成自然语言或代码，但未经过指令跟随的训练。这些模型被设计为我们原始的GPT-3基础模型的替代品，并使用传统的完成API。大多数客户应该使用GPT-3.5或GPT-4。

MODELDESCRIPTIONMAX TOKENSTRAINING DATA
babbage-002用于替代GPT-3 ada和babbage基础模型。16,384截至2021年9月
davinci-002用于替代GPT-3 curie和davinci基础模型。16,384截至2021年9月

我们如何使用您的数据

您的数据是您的数据。

截至2023年3月1日，发送到OpenAI API的数据将不会用于训练或改进OpenAI模型（除非您明确选择参与）。选择参与的一个优势是，模型可能会随着时间在您的使用案例上变得更加优秀。

为了帮助识别滥用行为，API数据可能会保留长达30天，之后将被删除（除非法律另有要求）。对于具有敏感应用程序的信任客户，可能会提供零数据保留。使用零数据保留，请求和响应主体不会被持续存储到任何日志机制中，而是仅存在于内存中以便处理请求。

请注意，此数据政策不适用于OpenAI的非API消费者服务，如ChatGPT或DALL·E Labs。

默认的端点使用政策

端点用于训练的数据默认保留时间是否符合零保留要求
/v1/chat/completions*否30天是，除了图像输入*
/v1/files否直到客户删除否
/v1/assistants否直到客户删除否
/v1/threads否60天*否
/v1/threads/messages否60天*否
/v1/threads/runs否60天*否
/v1/threads/runs/steps否60天*否
/v1/images/generations否30天否
/v1/images/edits否30天否
/v1/images/variations否30天否
/v1/embeddings否30天是
/v1/audio/transcriptions否零数据保留-
/v1/audio/translations否零数据保留-
/v1/audio/speech否30天否
/v1/fine_tuning/jobs否直到客户删除否
/v1/moderations否零数据保留-
/v1/completions否30天是

* 通过 gpt-4-vision-preview 模型的图像输入不符合零保留要求。

* 对于助手 API，我们仍在评估 Beta 期间的默认保留期。我们预计默认保留期将在 Beta 结束后稳定下来。

有关详细信息，请参阅我们的 API 数据使用政策。要了解有关零保留的更多信息，请与我们的销售团队联系。

模型端点兼容性

端点最新模型
/v1/assistants支持所有 GPT-4 和 GPT-3.5 Turbo 模型，但不支持 gpt-3.5-turbo-0301。检索工具需要 gpt-4-turbo-preview（以及随后的日期模型发布）或 gpt-3.5-turbo-1106（以及后续版本）。
/v1/audio/transcriptionswhisper-1
/v1/audio/translationswhisper-1
/v1/audio/speechtts-1, tts-1-hd
/v1/chat/completionsgpt-4 和日期模型发布、gpt-4-turbo-preview 和日期模型发布、gpt-4-vision-preview、gpt-4-32k 和日期模型发布、gpt-3.5-turbo 和日期模型发布、gpt-3.5-turbo-16k 和日期模型发布、gpt-3.5-turbo 的微调版本
/v1/completions (Legacy)gpt-3.5-turbo-instruct, babbage-002, davinci-002
/v1/embeddingstext-embedding-3-small, text-embedding-3-large, text-embedding-ada-002
/v1/fine_tuning/jobsgpt-3.5-turbo, babbage-002, davinci-002
/v1/moderationstext-moderation-stable, text-moderation-latest
/v1/images/generationsdall-e-2, dall-e-3

此列表不包括我们已废弃的所有模型。

从零开始学AI
关注
  • 20
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
OpenAI发布文生视频模型Sora新闻1
02-19
OpenAI发布文生视频模型Sora新闻1
openAI 人工智能区块链平台工具，数据采集，模型调用.zip
12-28
openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用 openAI 人工智能区块链平台工具，数据采集，模型调用
中国AI大模型发展白皮书
09-01
随着数字化转型需求增长，AI在企业中的应用也越来越多，AI开发门槛高、应用场景复杂多样、对场景标注数据依赖等问题成为AI规模化落地的挑战，而预训练大模型的出现则为人工智能带来了新的机遇与希望。大模型作为政府和企业推进人工智能产业发展的重要抓手，在识别、理解、决策、生成等AI任务的泛化性、通用性、迁移性方面都表现出显著优势和巨大潜力。 大模型具有良好的通用性、泛化性，显著降低人工智能应用门槛。预训练大模型在海量数据的学习训练后具有良好的通用性和泛化性，用户基于大模型通过零样本、小样本学习即可获得领先的效果，同时“预训练+ 精调”等开发范式，让研发过程更加标准化，显著降低了人工智能应用门槛，成为AI走向工程化应用落地的重要手段。
人工智能openAi接口
07-14
人工智能openAi接口
OpenAI发布文生视频模型Sora新闻2
02-19
OpenAI发布文生视频模型Sora新闻2
[AI OpenAI-doc] 视觉
从零开始学AI的博客
04-22 1170
学习如何使用 GPT-4 来理解图像。具有视觉功能的 GPT-4 Turbo 允许模型接收图像并回答与之相关的问题。了解图像上传、处理、成本计算、模型限制等详细信息。
[AI OpenAI-doc] 图像生成
从零开始学AI的博客
04-21 867
学习如何在API中使用DALL·E生成或操作图像。
[AI OpenAI-doc] 语音转文字
从零开始学AI的博客
04-28 1211
学习如何将音频转换为文本。音频 API 提供了语音转文本的端点，转录和翻译，基于我们先进的开源大型-v2 Whisper 模型。
openai api 接口 列出模型信息
jxyk2007的专栏
01-16 3512
列出当前可用的型号，并提供每种型号的基本信息，如所有者和可用性。我们用text-davinci-003 模型，做一个wx机器人。
OpenAI API DOC
03-19
OpenAI API 官方网页转PDF文档。
[AI OpenAI-doc] 文件搜索 Beta
从零开始学AI的博客
05-02 694
文件搜索通过从其模型外部获取的知识增强了助手的功能，例如专有产品信息或用户提供的文档。通过向量存储库，您可以管理文件的解析、分块、嵌入和存储，以进行关键字和语义搜索。确保向量存储库准备就绪，以确保所有数据可搜索，并利用到期策略管理成本。
从零实现Llama3中文版
wdn blog
05-26 836
从零实现Llama3中文版，该项目能在一台 16G RAM 的笔记本电脑上运行。
强化学习——学习笔记
qq_52302919的博客
05-27 1335
强化学习问题通常可以建模为一个马尔可夫决策过程，包括以下几个要素：1、状态集合 (State Set)：S；2、动作集合 (Action Set)：A；Ps′∣saPs′∣sa，描述在状态s下执行动作a后转移到状态s′s^′s′的概率；Rsas′Rsas′，描述在状态s 下执行动作a并转移到状态s′后获得的奖励。πa∣sπ (a∣s)πa∣s，描述智能体在状态s下选择动作a 的概率。
pytorch学习笔记5
最新发布
drarad的博客
06-02 780
前向钩子（forward hook）在模块的前向传播开始时触发，前向后钩子（forward pre-hook）在前向传播之前触发，反向钩子（backward hook）在反向传播过程中触发。总结来说，钩子提供了一种在 PyTorch 模型的执行过程中插入自定义代码的方法，使得用户可以灵活地调试、监控和扩展模型的功能。作用: 这是一个内部的 C 语言指针，指向张量在底层库（通常是 C++ 实现的 PyTorch 核心）中的具体数据结构。这些钩子可以在张量的梯度计算之前或之后执行自定义的操作。
AI开发初体验：昇腾加持，OrangePi AIpro 开发板
上周的博客
05-27 1280
因为工作需要，以及个人兴趣，本人经常购买开发板进行调试、学习，但具备AI计算的开发板，本人尚未体验过，究其原因，是因为自觉知识储备可能无法胜任AI的开发工作。然而，在体验了OrangePi AIpro 开发板之后，却大大改变了我的看法——AI时代，真的已经来临！OrangePi AIpro 开发板是香橙派联合华为精心打造的高性能 AI 开发板，其内置华为昇腾 AI 处理器，作为国产AI 芯片翘楚，实乃开发板的一大亮点！
AI Agent：人类工作范式的颠覆者还是人机协作新范式？
Baihai_IDP的博客
05-29 649
生成式 AI 只是人工智能发展的开端，未来可能会出现更先进的 AI 智能体系统（AI Agent），我们应当重视 Andrew Ng（译者注：Andrew Ng 是斯坦福大学计算机科学系和电气工程系的客座教授，曾任斯坦福人工智能实验室主任。作者相信人工智能的未来必将呈现出更智能、更自主的 AI Agent 形态。但是 AI Agent 强调的是综合智能，包括但不限于决策制定、环境交互和跨领域的知识应用，这样的智能系统能够适应更复杂的任务需求，并在与人的交流合作中展现出更强的灵活性和实用性。
AI推文神器，绘唐ai，文刻创作出品，sdmj二合一虹猫
2401_84285498的博客
05-28 589
然而，值得注意的是，AI推文神器虽然能够生成高质量的推文内容，但仍然需要人类的审查和修改。因为它虽然能够模仿人类的写作风格，但仍然无法完全理解人类的情感和语境，因此在使用AI推文神器时，人类编辑和审阅的角色仍然十分重要，以确保推文的准确性和符合品牌形象。AI推文神器的工作原理是通过自然语言处理和机器学习算法，将用户输入的关键词、主题或简要描述转化为语义信息，然后结合相关数据和模型，生成相应的推文内容。它通过分析大量的文字和数据，学习并模仿人类的写作风格和推文技巧，从而能够生成独特、有吸引力的推文内容。
生命在于学习——Python人工智能原理（2.1）
易水哲的博客
05-27 1598
机器学习是指从有限的观测数据中学习出具有一般性的规律。
python搜索文件夹下doc、xls内容
03-26
作为AI语言模型，我只能介绍实现思路，并不能直接给出代码。 思路如下： 1. 使用Python的os模块遍历搜索目标文件夹。 2. 对于每个文件，判断其是否是.doc或.xls文件。可以使用Python的os.path.splitext()方法获取文件扩展名。 3. 如果是.doc或.xls文件，使用Python的win32com库打开文件并读取其内容。 4. 对于读取出来的内容进行字典化操作，方便后续的分析和查询。 5. 使用Python的re模块在字典内容中搜索想要的关键字。 6. 输出搜索结果。 参考代码： ```python import os import win32com.client import re # 遍历搜索目标文件夹 def search_files(folder_path): for dirpath, dirnames, filenames in os.walk(folder_path): for filename in filenames: # 判断是否是.doc或.xls文件 if os.path.splitext(filename)[1] in ('.doc', '.xls'): file_path = os.path.join(dirpath, filename) # 打开文件并读取内容 try: app = win32com.client.Dispatch('Word.Application') if os.path.splitext(filename)[1] == '.doc' else win32com.client.Dispatch('Excel.Application') app.Visible = False doc = app.Documents.Open(file_path) if os.path.splitext(filename)[1] == '.doc' else app.Workbooks.Open(file_path) content = doc.Content.Text if os.path.splitext(filename)[1] == '.doc' else doc.Sheets[0].UsedRange.Value doc.Close() app.Quit() except Exception as e: print('Error:', e) # 字典化操作 content_dict = {} if os.path.splitext(filename)[1] == '.doc': for line in content.split('\r'): if '\t' in line: key = line.split('\t')[0].strip() value = line.split('\t')[1].strip() content_dict[key] = value else: for row in content: if row[0]: content_dict[row[0]] = row[1] # 按关键字搜索 for key, value in content_dict.items(): if re.search('要搜索的关键字', value): print(key, value, file_path) folder_path = '要搜索的文件夹路径' search_files(folder_path) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值