document-pro

Extract key information from PDF, DOCX, PPT and other documents

Document Pro - 文档处理技能

概述

赋予 AI 强大的文档处理能力：

• PDF 读取与提取
• Word 文档解析
• PowerPoint 提取
• Excel 数据提取
• 文档格式转换

触发场景

1. 用户发送文档并要求"分析"或"总结"
2. 用户要求"提取文档内容"
3. 用户要求"转换为 PDF"
4. 用户询问文档中的具体信息
5. 用户要求"从报告/论文中提取要点"

支持的格式

格式	读取	写入	工具
PDF	✅	✅	pdfplumber, pypdf, reportlab
DOCX	✅	✅	python-docx
PPTX	✅	✅	python-pptx
XLSX	✅	✅	openpyxl
TXT	✅	✅	内置
Markdown	✅	✅	内置

工具使用

PDF 处理

python

# 提取文本
import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

# 提取表格
with pdfplumber.open("document.pdf") as pdf:
    table = pdf.pages[0].extract_tables()

Word 文档

python

from docx import Document

doc = Document("document.docx")
for para in doc.paragraphs:
    print(para.text)

# 提取表格
for table in doc.tables:
    for row in table.rows:
        print([cell.text for cell in row.cells])

PowerPoint

python

from pptx import Presentation

prs = Presentation("presentation.pptx")
for slide in prs.slides:
    for shape in slide.shapes:
        if shape.has_text_frame:
            print(shape.text)

Excel 数据

python

import openpyxl

wb = openpyxl.load_workbook("data.xlsx")
ws = wb.active

for row in ws.iter_rows(values_only=True):
    print(row)

工作流程

text

1. 识别文档类型 → 选择正确的工具
2. 读取内容 → 提取文本、表格、图片
3. 分析信息 → 理解结构、提取要点
4. 总结呈现 → 用中文总结给用户

进阶功能

文档摘要

• 提取文档主要观点
• 生成简短摘要
• 列出关键要点

表格处理

• 识别表格结构
• 提取表格数据
• 转换为 CSV/Excel

关键词提取

• 找出重要名词/术语
• 识别主题
• 提取关键信息

输出格式

向用户呈现文档时：

• 文档类型和页数
• 主要内容摘要
• 关键要点（3-5条）
• 建议的后续操作

错误处理

常见问题与解决方案

问题	原因	解决方案
PDF 文本为空	扫描件/图片型 PDF	使用 OCR（pytesseract + pdf2image）
Word 表格丢失	复杂嵌套表格	使用 python-docx 的 table.rows 遍历
PPT 图片无法提取	嵌入方式不同	检查 shape.shape_type，使用 Image 对象
Excel 日期格式错误	序列号未转换	使用 openpyxl 的 dateutil 解析
编码乱码	文件编码非 UTF-8	尝试 gbk、latin1 等编码
文件损坏	下载不完整或格式错误	尝试用 Office 软件修复，或重新获取文件

依赖检查脚本

python

def check_document_dependencies():
    """检查文档处理依赖是否可用"""
    missing = []
    
    packages = {
        'pdfplumber': 'PDF 文本提取',
        'pypdf': 'PDF 基础操作',
        'docx': 'Word 文档处理',
        'pptx': 'PowerPoint 处理',
        'openpyxl': 'Excel 处理',
    }
    
    for package, desc in packages.items():
        try:
            __import__(package)
        except ImportError:
            missing.append(f"{package} ({desc})")
    
    if missing:
        print("缺少以下依赖：")
        for m in missing:
            print(f"  - {m}")
        print(f"\n安装命令: pip install {' '.join(p.split()[0] for p in missing)}")
        return False
    
    print("所有文档处理依赖已就绪！")
    return True

降级策略

text

文档处理优先级：
1. 专用库（pdfplumber/python-docx/python-pptx）→ 最佳效果
2. 通用库（pypdf/内置读取）→ 基础功能
3. 命令行工具（pdftotext/libreoffice）→ 最后手段
4. 提示用户手动转换 → 无法处理时

与其他技能的关系

• pdf 技能：更专注于 PDF 的高级操作（合并、拆分、加密、表单填充）
• docx 技能：更专注于 Word 文档的创建和复杂排版
• pptx 技能：更专注于 PPT 的生成和设计
• 本技能：侧重于文档内容的提取、分析和总结，是文档处理的"入口"技能

限制

• 扫描件 PDF 需要 OCR
• 复杂格式可能丢失
• 图片/图表无法完全理解

---

任务完成后

完成任务后，做任务总结，将操作记录更新到 record.md 中。

---

Version 1.0.1 — 增加任务完成后更新record.md规则