docx-reader

name	docx-reader
description	读取和处理 Word 文档（.docx）。识别文档文字内容、提取图片、生成结构化摘要。触发场景：用户发送或指定 .docx 文件路径，要求读取、总结或分析内容。

Word 文档读取技能

核心能力

1. 读取文档文字 — 提取 .docx 中的段落文本、表格内容
2. 提取图片 — 将文档中的图片导出为独立文件
3. 结构化摘要 — 生成文档内容大纲和关键信息提取
4. 试卷评测 — 结合 math-exam-evaluator，识别数学试卷中的题目和学生答案

使用方式

# 基本读取
from docx import Document
doc = Document("C:\\path\\to\\file.docx")
for para in doc.paragraphs:
    if para.text.strip():
        print(para.text)

# 读取表格
for table in doc.tables:
    for row in table.rows:
        for cell in row.cells:
            print(cell.text, end="\t")
        print()

# 提取图片
for rel in doc.part.rels.values():
    if "image" in rel.target_ref:
        img_data = rel.target_part.blob
        img_name = rel.target_ref.split("/")[-1]
        with open(f"output/{img_name}", "wb") as f:
            f.write(img_data)

文档结构识别

# 识别标题层级
def extract_headings(doc):
    headings = []
    for para in doc.paragraphs:
        if para.style.name.startswith("Heading"):
            level = para.style.name.replace("Heading ", "")
            headings.append({"level": level, "text": para.text})
    return headings

常用属性参考

属性	说明
doc.paragraphs	所有段落
doc.tables	所有表格
doc.inline_shapes	所有嵌入式图片
doc.part.rels	文档关系（包含图片引用）

图片导出路径

导出目录结构：

原文件目录/
├── 原文件名.docx
└── extracted_images/
    ├── image1.png
    ├── image2.jpg
    └── ...

注意事项

• 只支持 .docx（Office Open XML），不支持 .doc（旧版格式）
• .doc 文件需先转换为 .docx（可用 PowerShell + Word COM 自动化）
• 文档中的公式（MathType/OMML）以纯文本形式提取
• 加密保护的文档无法读取（会报错）