# docx_parsing_demo

**Repository Path**: dplearning/docx_parsing_demo

## Basic Information

- **Project Name**: docx_parsing_demo
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-09-15
- **Last Updated**: 2026-09-15

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Word 实验报告解析工具

将有机材料合成实验报告（`.docx` / `.doc` / `.wps`）解析为结构化 JSON。

**流程：** `.doc`或`.wps` → `.docx` → Markdown → VLM 图片识别 → LLM 结构化提取 → JSON

---

## 安装

### 1. 创建 Python 虚拟环境

```bash
python -m venv .venv
source .venv/bin/activate        # Linux / macOS
# .venv\Scripts\activate         # Windows

pip install -r requirements.txt
```

### 2. 安装外部软件

| 软件 | 用途 | 安装方式 |
|------|------|---------|
| **Pandoc** | 文档转 Markdown | `sudo apt install pandoc` / `brew install pandoc` / [官网下载](https://pandoc.org/installing.html) |
| **Inkscape** | 矢量图转 PNG | `sudo apt install inkscape` / `brew install inkscape` / [官网下载](https://inkscape.org/) |
| **LibreOffice** 或 **WPS Office** | 旧版 `.doc` 转 `.docx` | 非必需，仅在输入 `.doc` 文件时需要 |

### 3. 配置环境变量

```bash
cp .env.example .env
```

编辑 `.env`，填入你的大模型 API 地址和密钥：

```bash
LLM_BASE_URL=http://your-api.com/v1
LLM_MODEL=your-model-name
LLM_API_KEY=your-api-key
```

- `LLM_*`：主模型（需支持工具调用），用于从 Markdown 提取 JSON
- `VLM_*`：视觉模型（可选，不填则与 LLM 共用），用于图片识别

---

## 使用

### 解析文档

```bash
python docx_parser.py input.docx
```

输出自动生成到 `output_as2.0/<文件名>/<时间戳>/output.json`。

指定输出路径：

```bash
python docx_parser.py input.docx output/output.json
```

支持 `.docx`、`.doc`、`.wps` 三种格式。允许图片识别失败时继续：

```bash
python docx_parser.py input.docx --allow-image-errors
```

### 生成 HTML

```bash
python generate_html.py output/output.json
```

### Web 问答

```bash
uvicorn web_app:app --host 127.0.0.1 --port 8000
```

访问 http://127.0.0.1:8000

### 命令行问答

```bash
python query.py
```