从 .docx 及旧版 .doc 文件中提取文本、表格和图像，支持大文档、CJK 文本及复杂表格结构，并包含去重等功能
DOCX 工具包 1: 一个完整的工具包,用于处理微软 Word 文档(.docx和 legs.doc格式). 能力.
功能概述
DOCX 工具包 1: 一个完整的工具包,用于处理微软 Word 文档(.docx和 legs.doc格式). 能力.是一项面向实际任务的技能，主要用于Text + Table Depublicon (.docx). 将所有段落和表格都与 stru 一起摘录。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。
核心要点
- 使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。
- 从功能定位来看，该技能强调把分散的操作要求整理成清晰、可复用的处理流程，使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。
- 实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数，再依据技能说明逐步执行；
使用与执行
若输入条件不完整，应先补齐信息或采用保守配置，避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期，并对异常提示、缺失字段和边界情况进行处理；
结果检查与注意事项
涉及批量任务时，还应保存进度，避免中断后重复操作。该技能适合用于一次性任务，也可以接入自动化工作流，与其他技能或上层代理配合完成更完整的业务链路；在组合使用时，应明确每一步的输入输出关系，并避免不同步骤之间出现参数冲突。
DOCX Toolkit
一套完整的 Microsoft Word 文档（.docx 及旧版 .doc 格式）处理工具集。
功能
1. 文本 + 表格提取（.docx）
python3 {baseDir}/scripts/extract_text.py input.docx output.txt
提取全部段落及表格，并保留原有结构。表格以管道符（|）分隔的行格式输出，便于后续解析。
2. 文本提取（旧版 .doc）
python3 {baseDir}/scripts/extract_doc_text.py input.doc output.txt
使用 olefile 解析基于 OLE2 的旧版 .doc 格式，从 WordDocument 流中提取 Unicode 文本。
3. 图像提取（.docx）
python3 {baseDir}/scripts/extract_images.py input.docx output_dir/
提取所有嵌入图像，并支持以下特性：
- 自动去重（基于 MD5 哈希比对）
- 尺寸过滤（默认跳过小于 5KB 的小图标）
- 顺序重命名（如 img_001.png、img_002.jpg 等）
4. 图像压缩
python3 {baseDir}/scripts/resize_images.py input_dir/ output_dir/ [--max-width 1024]
批量调整图像尺寸与压缩，适用于 API 处理场景（可降低视觉类 API 调用成本约 50–70%）。
依赖项
- Python 3.6+
python-docx— 用于 .docx 文档处理olefile— 用于旧版 .doc 文档处理Pillow— 用于图像缩放（可选，仅在运行 resize 脚本时需要）
安装命令：
pip3 install python-docx olefile Pillow
典型应用场景
- 文档分析：提取文本供 AI 审阅或摘要生成
- 迁移任务：将 Word 文档内容导出至其他格式
- 图像审计：提取并审查所有嵌入图像
- 成本优化：在发送至视觉类 API 前压缩图像
- 批量处理：在流水线中批量处理多个文档
注意事项
- 超大 .doc 文件（>200MB）使用
olefile处理时可能占用大量内存 - 图像提取保留原始格式（PNG/JPG/GIF 等）
- 去重机制仅识别完全一致的副本；近似重复图像仍会通过
- 中日韩（CJK）文本在两种提取器中均获得完整支持
相关专题
本专题从实际API接口调试场景出发，讲解Postman身份认证的完整配置流程，包括常见认证协议介绍、授权参数设置、访问令牌填写、OAuth 2.0授权及认证失败排查，帮助用户正确完成接口授权与访问验证。
2026.11.06
0
12
围绕Postman HTTP请求头配置展开，讲解Headers选项的具体使用方式，包括Key和Value参数填写、请求头信息添加、常见Header字段设置及请求头修改方法，帮助用户解决接口调试过程中遇到的请求头配置问题。
2026.11.06
0
13
详细介绍Postman接口请求的创建与发送方法，涵盖GET和POST请求、URL配置、请求参数、Headers请求头、Body请求体设置以及响应结果查看，帮助用户掌握Postman接口请求的完整操作流程。
2026.11.06
0
10
DBeaver数据导入专题，整理Excel、CSV、SQL、TXT等常见文件的数据导入方法，涵盖目标数据库选择、数据表创建、字段映射、数据类型设置及导入参数配置等操作，帮助用户将本地文件中的数据写入数据库，并了解批量导入、重复数据处理和导入失败等常见问题的解决方法。
2026.11.05
0
12
DBeaver安全防护专题，围绕数据库连接安全、账号密码保护和访问权限管理展开，整理SSL/TLS加密连接、SSH隧道、数据库凭据保存及证书验证等配置方法，同时介绍敏感信息保护、远程连接风险和高权限账号使用等注意事项，帮助用户提高数据库日常管理的安全性。
2026.11.05
0
12
本专题聚焦DBeaver数据库连接配置与管理，覆盖从新建连接、选择数据库类型到填写连接参数和验证连接的完整流程。针对MySQL、PostgreSQL、SQL Server等常见数据库，整理相应的连接设置方法，并提供驱动缺失、认证失败和连接异常等问题的排查方向。
2026.11.04
0
16
本专题围绕XORM框架的结构体映射展开，说明表名与字段的命名策略、xorm标签常用属性、主键自增与时间字段自动填充，并演示Sync2自动建表、增量字段升级、索引声明与反向生成结构体的完整流程。
2026.11.04
0
15
本专题聚焦XORM框架的配置与连接环节，拆解MySQL、PostgreSQL、SQLite、SQL Server的DSN写法与驱动选择，讲清连接池参数、多数据源拆分、读写分离与超时重连的处理方式，并补充容器与兼容数据库的适配经验。
2026.11.04
0
15
本专题聚焦XORM框架的配置与连接环节，拆解MySQL、PostgreSQL、SQLite、SQL Server的DSN写法与驱动选择，讲清连接池参数、多数据源拆分、读写分离与超时重连的处理方式，并补充容器与兼容数据库的适配经验。
2026.11.04
0
16
热门下载
相关下载
精品课程
共6课时 | 54.7万人学习
共89课时 | 134.3万人学习
共49课时 | 82.7万人学习
最新文章