项目启动时间：2025/04/10

最后更新时间：2025/04/10

当前版本：demo-0.110

作者：yyz

Text Wizard

​ 字符操纵 - 大模型驱动的多个功能API组成的字符操纵集成工具

1 DOCX文件的自动排版功能

如何使用

该工具为CLI程序，执行命令如下：

1
2
3
4
5
6

# conda activate text-wizard

# --debug 开启调试模式
# --openai 使用gpt-3.5-turbo进行测试
# 默认使用DeepSeek模型
python word_formatter.py <Input-Docx-File.docx> <Output-Docx-File.docx>

实现思路

​ 将较大的原docx文件分割后(解决大模型上下文长度的问题)使用DeepSeek模型对内容进行推理识别，让模型按json格式输出后汇总到新的docx文件中

难点

  1. docx文件是流式文件; 分割文档时，使用常规方法按字数分隔会导致漏字 漏格式(底层XML被切割) 漏内容的问题。且图片和表格的重新排版难度高
  2. 大模型本身能力不足导致很难准确辨别每一个标题的层级，尤其是文件结构内容复杂时，判断极容易出错，仅凭优化提示词提升效果一般
    • 在前后文太短时，它缕不清先后高低，如可能将 1.1和1.1.1 算作同一级标题
    • 在前后文太长时，它会遗漏数据，如1.1.1和1.1.2之间的所有文字直接全部丢失
  3. 编程语言库对word文档的支持较弱，对于格式敏感的文档 很难实现规范排版

解决原理

  1. 通过判断内容是否为段落的算法，将段落分批传递处理。同时通过判断内容是否为表格或图片的算法，尽可能将原样式原封不动传递。
  2. 为各种标题设立各自的正则表达式，只有常规程序算法检测不了的结构才交给模型解决。 且为模型设置记忆功能，将前部分的json标题总结作为记忆传递给模型。
  3. 自写格式应用函数，通过config文件的方式统一管理，提高使用效率

失败的解决思路

  • 先将docx转成pdf，通过对每一页进行读取识别，实现真正的按页拆分
    • X！切割后表格会变得不连续，排版会变的混乱

目前实现的效果

​ 2张图皆为程序生成的docx文件 ​ 蓝色为1级标题、红色为2级标题、绿色为3级标题，针对每一种标题，通过修改配置文件的方式即可更改样式

效果1

​ 对于注中的(1、)避开标题检测，而表格中的符号、数据均与原表格一致。

效果2