最近在搞AI. 遇到了一個問題，就是要進(jìn)行doc文檔的解析。并且需要展示每個文檔的總頁數(shù)。

利用AI. 分別嘗試了chatGPT, 文心一言， github copilot，Kimi 等工具，給出來的答案都不盡如人意。

給的最多的查詢方式就是下面這種。

這個給大家避雷一下。使用python-docx的方式，是沒有辦法獲取文檔總頁數(shù)的。 如果想獲取，也只能是獲取一個近似值，大體就是根據(jù)每個頁面平均有多少個段落，或者平均有多少行的方式，近似的得到一個結(jié)果。完全是不準(zhǔn)確的。

那么如果想要獲取總頁數(shù)，應(yīng)該怎么辦呢？ 經(jīng)過一番調(diào)研這里給出兩種解決方案，兩種方案也都各有優(yōu)缺點(diǎn)?？赡芤膊灰欢ㄊ峭耆珳?zhǔn)確的，但是相比于上面的方式還是要好出很多。

一、使用langchain

langchain是什么，這里就不詳細(xì)介紹了，是AI領(lǐng)域當(dāng)前非常流行的一套框架。 langchain中提供了很多開箱即用的功能，比如文檔解析、文檔拆分， 向量比較、摘要提取等。 在文檔解析中，就有對于word文檔解析的方法，這在個方法中，我們可以間接獲取文檔頁數(shù)。

地址：https://www.langchain.com.cn/modules/indexes/document_loaders/examples/word_document

方法：

word_path = '/xxx/xxx.docx'
loader = UnstructuredWordDocumentLoader(word_path, mode="paged")
docs = loader.load_and_split(texts_splitter)
for doc in docs:
    print(doc)

這里的mode可以選擇paged,也可以使用elements 一個是按照頁進(jìn)行分割，一個是按照元素做分割。那么怎么獲取頁數(shù)呢，在返回的元素中，就可以找到page_number這樣一個字段。

所以無論我們使用paged還是使用elements，都可以從返回結(jié)果（集合）中通過獲取page_number的最大值，來得到該文檔的總頁數(shù)。

局限性： 這種方法也不是沒有任何缺點(diǎn)，但是整理來說還是相對準(zhǔn)確的。確定就是有的時候，文檔明明是三頁。但是解析出來的結(jié)果可能是兩頁。 我出現(xiàn)過一次，主要是我自己做了測試，第二頁空白比較多的時候，又添加了第三頁。這個時候，第三頁的內(nèi)容出現(xiàn)在第二頁的解析結(jié)果中了。 導(dǎo)致最終識別的結(jié)果為2.

二、沒啥好辦法，word2pdf

的確，沒啥好的辦法了，只能先把word轉(zhuǎn)換為pdf, 然后獲取pdf的頁數(shù)。 pdf的頁數(shù)獲取還是很簡單的，很多pdf相關(guān)工具，都有這個功能，也就一行代碼的事。給一個例子吧：

from fitz import fitz

doc = fitz.open(pdf_path)
print(doc.page_count)

問題主要在于word如何轉(zhuǎn)為pdf, 我這里使用的是libreOffice. 不同的平臺有不同平臺的安裝包。 具體的使用，這里就不詳細(xì)介紹了。

局限性 主要局限性就是平臺限制， 比如我們的文檔通常是在windows上， 而部署平臺一般是在linux上，相當(dāng)于libreOffice要裝在linux上，這個時候，由于平臺不同，轉(zhuǎn)換出來的pdf頁數(shù)可能也會有一些差距，都一頁少一頁這類的。 有沒有好的方案呢。 兩種，一種是用windows系統(tǒng)做部署服務(wù)器。 一種是使用wps+docker desktop的方式。

兩種方式，都有點(diǎn)小缺陷， 但是誤差不大，可接受的就用這兩種方法把，接受不了的，可以按照給的思路，自己去折騰折騰。

到此這篇關(guān)于python獲取word文檔的總頁數(shù)的兩種方法的文章就介紹到這了,更多相關(guān)python獲取word文檔總頁數(shù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論