网站平台建设投资费用清单,凡科建站快车代理登录,php做网站登录界面,大同建设局网站最近在搞AI. 遇到了一个问题#xff0c;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#xff0c; github copilot#xff0c;Kimi 等工具#xff0c;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…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 copilotKimi 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, modepaged)
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wpsdocker 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。
