在实际使用场景中，可能只需要获取需求文档中的部分内容，例如特定标题的正文部分、特定段落的表格内容，或者指定图片中的内容。为了满足这一需求，可以对文档清理工具进行优化，支持按标题提取内容、按章节提取表格和图片，并结合阿里云百炼 DeepSeek-R1 的流式 API 进行对话生成测试用例等功能。而且上个版本的小工具貌似并没有很好的将目录清洗掉，这次也一并优化。
去除目录
此次更新从Word 文档（.docx 文件）中智能化地去除目录，可以使用 Python 的 python-docx 库。以下是一种方法，可以遍历文档中的所有段落，识别并删除目录。
代码示例
from docx import Document
def remove_toc(self, docx_path):
"""
去除 Word 文档中的目录
:param docx_path: docx 文件路径
"""
doc = Document(docx_path)
paragraphs_to_remove = []
# 遍历段落，识别目录
for paragraph in doc.paragraphs:
if "TOC" in paragraph.style.name: # 检查样式名称
paragraphs_to_remove.append(paragraph)
elif paragraph.text.strip() and (paragraph.text[0].isdigit() or paragraph.text.startswith("1.")):
# 检查是否为目录条目
paragraphs_to_remove.append(paragraph)
# 删除标记的段落
for paragraph in paragraphs_to_remove:
p = paragraph._element
p.getparent().remove(p)
# 保存修改后的文档
file_name = 'modified_' + docx_path.split('\\')[-1]
new_path = docx_path.split('\\')[0] + os.sep + file_name
doc.save(new_path)
return new_path
说明
识别目录：
- 通过检查段落的样式名称来识别目录。通常，目录的样式名称以 “TOC” 开头（如 “TOC 1”, “TOC 2” 等），可以根据具体文档样式进行调整。
删除段落：
- 使用
p.getparent().remove(p)方法来从文档中删除标记的段落。
- 使用
保存文档：
- 将修改后的文档保存为新的文件，避免覆盖原始文档。
注意事项
- 确保安装了
python-docx库，如果没有，可以使用以下命令安装：pip install python-docx - 根据具体文档的样式调整目录识别的逻辑。如果目录使用了不同的样式，可以修改条件以适应实际情况。
提取指定标题下的正文内容
下面给出实现按标题提取正文内容，并说明如何实现和微调以下功能：
- 按标题提取正文内容：用户可以通过输入标题关键字（如“4.1 功能描述”），提取指定范围的正文。
- 按标题提取图片与表格：支持提取特定章节的图片和表格，并单独存储图片，用于后续处理。
- 图片内容识别：利用 OCR 技术识别图片中的文字，并结合阿里云百炼 DeepSeek-R1 的流式 API 进行对话生成测试用例。
- 灵活微调：通过修改正则表达式、章节匹配规则和 API 参数，满足用户的个性化需求。
功能实现方案
以下是针对需求文档部分内容提取的解决方案以及实现代码。
1. 提取指定标题的正文内容
功能描述
通过用户输入的标题关键字（如“4.1 功能描述”），提取从该标题开始到下一个同级标题之间的正文。
注：如果不指定，则还是按原逻辑进行清洗展示。
实现代码
def extract_text_by_title(docx_path, title_keyword):
"""
根据标题关键字提取正文内容
:param docx_path: docx 文件路径
:param title_keyword: 标题关键字（如 "4.1 功能描述"）
:return: 提取的正文内容
"""
doc = Document(docx_path)
content = []
capture = False # 标记是否开始捕获正文
for paragraph in doc.paragraphs:
text = paragraph.text.strip()
# print(f"当前段落文本: {text}")
# 匹配标题，判断是否开始捕获
if title_keyword in text and 'toc' not in paragraph.style.name:
capture = True
print("开始捕获正文内容")
# print(paragraph.style.name)
continue
# 如果捕获正文，遇到下一个标题则停止
if capture:
# print(paragraph.style.name)
if re.match(r"^\d+(\.\d+)*\s+.+", text): # 匹配新的标题
print("遇到新的标题，停止捕获")
break
elif "标题" in paragraph.style.name: # 遇到下一个标题则停止获取
print("遇到新的标题，停止捕获")
break
if text: # 只在文本非空时添加
content.append(text)
return "\n".join(content)
2. 提取指定标题的图片和表格(待实现)
功能描述
用户可以指定标题关键字（如“4.4.1.1 界面UI图”），提取从该标题开始的图片和表格，并分别存储到文件夹中。
3. 图片内容识别与智能对话生成测试用例(待实现)
功能描述
提取图片后，利用 OCR 技术识别图片中的文字并结合阿里云百炼 DeepSeek-R1 的流式 API 进行对话生成测试用例。
微调手法
1. 按标题提取正文内容
修改标题匹配规则：通过优化正则表达式，兼容不同的标题格式。例如：
# 支持 "4.1 功能描述" 和 "4.1 - 功能描述" re.match(rf"^{re.escape(title_keyword)}(\s+|[-])", text)限制正文范围：如果需要提取多级标题之间的内容，可以调整捕获规则。例如：
# 仅捕获 4.1 开头的内容 re.match(r"^4\.1(\.\d+)*\s+.+", text)
2. 提取表格和图片
- 图片格式兼容：支持提取 PNG、JPEG 等不同格式的图片，并统一保存为指定格式。
- 表格格式优化：将表格内容存储为二维数组（列表嵌套列表），并支持导出为 Excel 文件。
3. 图片内容识别与测试用例生成
OCR 语言支持：通过
pytesseract添加多语言支持。例如：pytesseract.image_to_string(image, lang="chi_sim") # 简体中文增强对话生成逻辑：为流式 API 添加更多上下文信息，提升生成测试用例的准确性。例如：
payload = {"prompt": f"{prompt}\n上下文：{context}", "content": content}
总结
通过本文的优化，实现了针对需求文档的部分内容提取功能：
- 按标题提取正文：支持提取特定章节的正文内容。
- 按标题提取图片与表格：支持提取特定章节的图片和表格，并分别存储。
- 图片内容识别与测试用例生成：结合 OCR 和阿里云百炼 API，实现从图片到测试用例的智能生成。
这些功能可根据实际需求进行微调，满足不同场景下的需求文档清理和测试用例生成。源码已上传云盘，冰冻三尺非一日之寒，每日新增一点点！~欢迎反馈意见