word-parsing

name	word-parsing
description	用于Word文档解析的Word解析原子 skill，适用于通用行业文档解析场景。

Word解析 Skill

数据来源

本 Skill 支持多种Word文档输入格式，核心数据来源包括：

1. Word文档类型

• .doc格式：Microsoft Word 97-2003文档
• .docx格式：Microsoft Word 2007及以上版本文档
• .rtf格式：富文本格式文档
• .odt格式：OpenDocument文本格式

2. 文档内容类型

• 金融报告：年报、季报、研究报告、公告
• 合同协议：贷款合同、担保合同、投资协议
• 法律文档：法律意见书、合规文件
• 业务文档：业务说明、产品介绍

3. 文档特征

• 语言类型：中文、英文、多语言混合
• 版式类型：标准版式、复杂版式、扫描版式
• 文档大小：小文档（<10MB）、大文档（>10MB）

4. 数据格式要求

• 文件路径：本地文件路径或网络文件URL
• 文件编码：UTF-8、GBK、GB2312等
• 文件权限：需要读取权限

说明：本 Skill 不包含文档采集功能，需要用户提供Word文档文件。建议文档格式规范，以便进行准确的解析。

---

功能

本 Skill 提供全面的Word文档解析能力，涵盖多种解析功能：

1. 文本提取

• 正文提取：提取文档正文内容
• 标题提取：提取各级标题
• 段落提取：提取段落内容
• 列表提取：提取有序列表和无序列表

2. 结构识别

• 章节层级：识别文档的章节层级结构
• 目录识别：识别和提取文档目录
• 页眉页脚：提取页眉页脚内容
• 脚注尾注：提取脚注和尾注内容

3. 表格识别

• 表格提取：识别和提取表格内容
• 表格结构：识别表格的行列结构
• 表格格式：保留表格的格式信息
• 表格定位：记录表格在文档中的位置

4. 图表识别

• 图片提取：提取文档中的图片
• 图表识别：识别图表类型和内容
• 图表定位：记录图表在文档中的位置
• 图表描述：生成图表的文字描述

5. 格式信息提取

• 字体信息：提取字体、字号、颜色等信息
• 段落格式：提取段落对齐、缩进等信息
• 样式信息：提取文档样式信息
• 元数据提取：提取文档属性、作者、创建时间等

6. 高级处理功能

• OCR识别：对扫描版Word文档进行OCR识别
• 多语言识别：识别文档中的多语言内容
• 版式还原：尽可能还原文档的原始版式
• 结构化输出：输出结构化的文档内容

---

使用示例

输出示例

{
  "document_info": {
    "filename": "document.docx",
    "file_size": 1024000,
    "page_count": 25,
    "language": "zh-CN",
    "created_date": "2024-01-15",
    "modified_date": "2024-03-20"
  },
  "structure": {
    "title": "2024年度报告",
    "sections": [
      {
        "level": 1,
        "title": "第一章 公司概况",
        "content": "公司概况内容...",
        "page": 1,
        "subsections": 
          
             
             
             
             
          
        
      
    
  
   
    
       
       
         
         
      
       
       
       
            
            
      
    
  
   
    
       
       
         
         
      
       
        
    
  
   
     
     
      
  

---

注意事项与限制

1. 文档格式要求

• 支持标准Word格式文档
• 复杂版式可能影响解析准确性
• 扫描版文档需要OCR功能支持

2. 解析准确性

• 文本提取准确率较高
• 表格识别对复杂表格可能有限
• 图表识别需要图片质量良好

3. 性能考虑

• 大文档处理可能需要较长时间
• 内存占用与文档大小成正比
• 建议对超大文档进行分块处理

4. 编码问题

• 需要正确识别文档编码
• 特殊字符可能影响解析结果
• 建议使用UTF-8编码

5. 使用限制

• 本 Skill 不包含文档编辑功能
• 解析结果需要人工复核
• 受保护文档可能无法解析

---

参考资料

• 见 references/ 目录中的相关文档，包括：
  • Word文档解析方法手册
  • 表格识别算法说明
  • OCR识别使用指南
  • 性能优化指南

License

• 本 skill 代码部分采用 MIT License，详见 LICENSE 文件
• 依赖与运行环境以 requirements.txt 为准
• 文档内容采用 CC BY 4.0 许可