文档处理技能（Document Skills）

本技能提供全面的文档处理能力，涵盖三种主要的 Office 文档格式：DOCX（Word 文档）、PDF 和 PPTX（PowerPoint 演示文稿）。支持创建、编辑、分析、格式转换等操作。

二、PDF 处理指南

概述

涵盖使用 Python 库和命令行工具进行的基本 PDF 处理操作。如需填写 PDF 表单，请阅读 forms.md 并按其说明操作。

快速开始

from pypdf import PdfReader, PdfWriter

# 读取 PDF
reader = PdfReader("document.pdf")
print(f"页数：{len(reader.pages)}")

# 提取文本
text = ""
for page in reader.pages:
    text += page.extract_text()

Python 库

pypdf - 基本操作

合并 PDF：

from pypdf import PdfWriter, PdfReader

writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
    reader = PdfReader(pdf_file)
    for page in reader.pages:
        writer.add_page(page)

with open("merged.pdf", "wb") as output:
    writer.write(output)

拆分 PDF：

reader = PdfReader("input.pdf")
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    with open(f"page_{i+1}.pdf", "wb") as output:
        writer.write(output)

提取元数据：

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"标题：{meta.title}")
print(f"作者：{meta.author}")

旋转页面：

reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90)  # 顺时针旋转 90 度
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
    writer.write(output)

pdfplumber - 文本和表格提取

提取带布局的文本：

import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

提取表格：

with pdfplumber.open("document.pdf") as pdf:
    for i, page in enumerate(pdf.pages):
        tables = page.extract_tables()
        for j, table in enumerate(tables):
            print(f"第 {i+1} 页的表格 {j+1}：")
            for row in table:
                print(row)

高级表格提取（导出到 Excel）：

import pandas as pd

with pdfplumber.open("document.pdf") as pdf:
    all_tables = []
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            if table:  # 检查表格是否非空
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)

# 合并所有表格
if all_tables:
    combined_df = pd.concat(all_tables, ignore_index=True)
    combined_df.to_excel("extracted_tables.xlsx", index=False)

reportlab - 创建 PDF

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
c.drawString(100, height - 100, "Hello World!")
c.save()

命令行工具

# pdftotext（poppler-utils）- 提取文本
pdftotext input.pdf output.txt
pdftotext -layout input.pdf output.txt  # 保留布局

# qpdf - 合并 PDF
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf

# qpdf - 拆分页面
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf

# qpdf - 旋转页面
qpdf input.pdf output.pdf --rotate=+90:1

常见任务

扫描 PDF 的 OCR（光学字符识别）：

# 需要：pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path

images = convert_from_path('scanned.pdf')
text = ""
for i, image in enumerate(images):
    text += f"第 {i+1} 页：\n"
    text += pytesseract.image_to_string(image)
    text += "\n\n"

添加水印：

from pypdf import PdfReader, PdfWriter

watermark = PdfReader("watermark.pdf").pages[0]
reader = PdfReader("document.pdf")
writer = PdfWriter()

for page in reader.pages:
    page.merge_page(watermark)
    writer.add_page(page)

with open("watermarked.pdf", "wb") as output:
    writer.write(output)

密码保护：

from pypdf import PdfReader, PdfWriter

reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
    writer.add_page(page)
writer.encrypt("userpassword", "ownerpassword")
with open("encrypted.pdf", "wb") as output:
    writer.write(output)

快速参考

三、PPTX 创建、编辑与分析

概述

用户可能要求你创建、编辑或分析 .pptx 文件的内容。.pptx 文件本质上也是一个包含 XML 文件和其他资源的 ZIP 归档。

读取和分析内容

文本提取：

# 使用 markitdown 将演示文稿转换为 Markdown
python -m markitdown path-to-file.pptx

原始 XML 访问 —— 关键文件结构：

• ppt/presentation.xml - 主演示文稿元数据和幻灯片引用
• ppt/slides/slide{N}.xml - 各幻灯片内容
• ppt/notesSlides/notesSlide{N}.xml - 各幻灯片的演讲备注
• ppt/comments/ - 幻灯片批注
• ppt/slideLayouts/ - 布局模板
• ppt/slideMasters/ - 母版幻灯片模板
• ppt/theme/ - 主题和样式信息
• ppt/media/ - 图片和其他媒体文件

创建新演示文稿（无模板）

使用 html2pptx 工作流，将 HTML 幻灯片转换为 PowerPoint 并精确定位。

设计原则

关键要求：

• 在编写代码前说明内容驱动的设计方法
• 仅使用网页安全字体：Arial、Helvetica、Times New Roman、Georgia、Courier New、Verdana、Tahoma、Trebuchet MS、Impact
• 通过大小、粗细和颜色创建清晰的视觉层次
• 确保可读性：强对比度、适当的文字大小、整洁的对齐
• 保持一致性：在幻灯片间重复模式、间距和视觉语言

配色方案选择

创意选择颜色时的考虑维度：

• 主题、行业、情绪、能量水平、目标受众、品牌识别
• 构建调色板：选择 3-5 个协调的颜色（主色 + 辅助色 + 强调色）
• 确保对比度：文字在背景上必须清晰可读

示例配色方案：

1. 经典蓝：深海军蓝 (#1C2833)、石板灰 (#2E4053)、银色 (#AAB7B8)
2. 青绿与珊瑚：青绿 (#5EA8A7)、珊瑚红 (#FE4447)
3. 黑金：金色 (#BF9A4A)、黑色 (#000000)、奶油色 (#F4F6F6)
4. 森林绿：黑色 (#191A19)、绿色 (#4E9F3D)、深绿 (#1E5128)

布局提示

• 双列布局（推荐）：全宽标题，下方两列——文本在一列，图表/表格在另一列
• 全幻灯片布局：让主要内容占据整个幻灯片以获得最大影响力
• 绝不垂直堆叠：不要在单列中将图表/表格放在文本下方

工作流

1. 阅读 html2pptx.md 了解详细语法和规则
2. 为每张幻灯片创建适当尺寸的 HTML 文件（如 16:9 为 720pt x 405pt）
3. 使用 html2pptx() 函数转换 HTML 幻灯片为 PowerPoint
4. 生成缩略图并检查布局问题

编辑现有演示文稿

工作流：

1. 阅读 ooxml.md 了解 OOXML 结构和编辑工作流
2. 解包：python ooxml/scripts/unpack.py <pptx文件> <输出目录>
3. 编辑 XML 文件
4. 关键：每次编辑后立即验证：python ooxml/scripts/validate.py <目录> --original <文件>
5. 打包：python ooxml/scripts/pack.py <输入目录> <pptx文件>

基于模板创建演示文稿

工作流：

1. 提取模板文本并创建缩略图网格进行分析
2. 分析模板并保存清单到 template-inventory.md
3. 基于模板清单创建演示文稿大纲
4. 使用 rearrange.py 复制、重排和删除幻灯片
5. 使用 inventory.py 提取所有文本
6. 生成替换文本并保存到 JSON
7. 使用 replace.py 应用替换

创建缩略图网格

python scripts/thumbnail.py template.pptx [输出前缀]

特性：

• 默认 5 列，每网格最多 30 张幻灯片（5x6）
• 可调列数：--cols 4（范围：3-6）
• 幻灯片从零索引开始

幻灯片转图片

# 步骤 1：PPTX 转 PDF
soffice --headless --convert-to pdf template.pptx

# 步骤 2：PDF 页面转 JPEG
pdftoppm -jpeg -r 150 template.pdf slide

依赖项

• markitdown：pip install "markitdown[pptx]"（文本提取）
• pptxgenjs：npm install -g pptxgenjs（创建演示文稿）
• playwright：npm install -g playwright（HTML 渲染）
• sharp：npm install -g sharp（SVG 光栅化和图片处理）
• LibreOffice：PDF 转换
• Poppler：PDF 转图片
• defusedxml：pip install defusedxml（安全 XML 解析）

代码风格指南

重要：生成文档操作代码时：

• 编写简洁的代码
• 避免冗长的变量名和多余的操作
• 避免不必要的 print 语句