中文 Office 文档全能助手

概述

一个专为中文用户设计的 Office 文档处理技能，支持主流办公格式的读取、提取、总结和对比。

支持格式

传统 Office 格式

• PDF：文字层提取 + OCR 回退
• Word：.docx、.doc
• Excel：.xlsx、.xls
• PowerPoint：.pptx、.ppt

WPS 格式（国内用户常用）

• WPS 文字：.wps
• WPS 表格：.et
• WPS 演示：.dps

核心功能

1. 文档内容提取

• 文本内容提取
• 表格数据提取
• 幻灯片内容提取
• 批注和备注提取

2. 智能摘要生成

• 一句话概览
• 关键点提取（3-8 个）
• 结构化信息提取（日期、金额、联系人等）

3. 公文格式支持

• 党政机关公文模板
• 企业常用公文格式
• 标准公文要素识别

4. 多文档对比

• 内容差异对比
• 结构差异分析
• 关键信息变更追踪

何时使用

当用户：

• 上传办公文档（PDF/Word/Excel/PowerPoint/WPS）
• 要求文档摘要或总结
• 需要提取文档中的关键信息
• 要求对比多份文档
• 需要格式转换
• 处理中文公文或正式文档

何时不适合

不适合：

• 需要精确保留原始排版的场景
• 复杂图表或图像的深度分析
• 加密或密码保护的文档
• 需要高级公式审计的电子表格

使用方法

基本用法

# 提取文档内容
python3 {skill_dir}/scripts/extract_office_text.py "/path/to/document.pdf" --json

# 提取 WPS 文档
python3 {skill_dir}/scripts/extract_office_text.py "/path/to/document.wps" --json

高级用法

# 限制提取页数
python3 {skill_dir}/scripts/extract_office_text.py "/path/to/document.pdf" --page-limit 10 --json

# 限制表格行数
python3 {skill_dir}/scripts/extract_office_text.py "/path/to/spreadsheet.xlsx" --row-limit 30 --json

# 限制输出长度
python3 {skill_dir}/scripts/extract_office_text.py "/path/to/document.docx" --max-chars 30000 --json

依赖检查

python3 {skill_dir}/scripts/check_deps.py

输出格式

默认输出 JSON 格式，包含以下字段：

{
  "type": "pdf",
  "page_count": 10,
  "extraction": "text",
  "text": "提取的文本内容...",
  "truncated": false
}

公文模板

技能内置常用公文模板，位于 templates/ 目录：

• government_notice.md – 通知模板
• government_report.md – 报告模板
• enterprise_memo.md – 企业备忘录模板
• meeting_minutes.md – 会议纪要模板

依赖要求

必需

• Python 3.8+
• Python 包：pypdf、python-docx、openpyxl、python-pptx

可选（增强功能）

• poppler-utils – PDF 转图片
• tesseract-ocr – OCR 引擎
• tesseract-ocr-chi-sim – 中文 OCR 支持
• libreoffice – 旧版格式转换
• antiword、catdoc – 旧版 Word 支持

中文优化

1. 中文摘要算法

• 基于中文分词的关键句提取
• 中文标点符号智能处理
• 中文文档结构识别

2. 公文要素识别

• 发文机关识别
• 文号识别
• 主题词提取
• 紧急程度判断

3. 排版优化

• 中文段落智能分割
• 中文表格对齐处理
• 中文标点规范化

更新日志

v1.1.0 (2026-07-25)

• 重大改进: 集成 jieba 中文分词，关键词提取准确率大幅提升
• 重大改进: 所有 extract 函数添加异常处理，损坏文件不再崩溃
• 代码优化: 消除 LibreOffice 转换重复代码（6 个函数合并为 1 个通用函数）
• 代码优化: 添加完整的类型注解
• 代码优化: 添加 logging 模块和进度提示
• 代码优化: 评分算法常量化，便于调优
• 测试重写: 使用 pytest 框架，22 个实际功能测试全部通过
• 依赖更新: jieba 正式加入完整依赖

v1.0.0 (2026-07-25)

• 初始版本发布
• 支持主流 Office 格式
• 支持 WPS 格式
• 内置公文模板
• 优化中文摘要算法

参考资料

• references/capabilities.md – 能力边界说明
• references/troubleshooting.md – 常见问题排查
• references/wps-compatibility.md – WPS 格式兼容性说明
• references/chinese-optimization.md – 中文优化说明