简介

AI文档处理利用OCR和大模型技术，自动读取、理解和处理各类文档（Word/Excel/PDF），实现文档信息提取和批量生成。

读取和解析文档

# AI辅助文档处理
from langchain.document_loaders import (
    PyPDFLoader, Docx2txtLoader, CSVLoader
)
from langchain.text_splitter import RecursiveCharacterTextSplitter

def load_document(file_path):
    """根据文件类型加载文档"""
    if file_path.endswith(".pdf"):
        loader = PyPDFLoader(file_path)
    elif file_path.endswith(".docx"):
        loader = Docx2txtLoader(file_path)
    elif file_path.endswith(".csv"):
        loader = CSVLoader(file_path)
    else:
        raise ValueError(f"不支持的格式: {file_path}")
    
    docs = loader.load()
    splitter = RecursiveCharacterTextSplitter(
        chunk_size=1000, chunk_overlap=100
    )
    return splitter.split_documents(docs)

# 从文档中提取关键信息
from langchain.chains import LLMChain
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate

def extract_info(docs, question):
    llm = ChatOpenAI(model="gpt-4", temperature=0)
    template = """根据以下文档内容回答问题。
    文档: {context}
    问题: {question}
    回答:"""
    prompt = PromptTemplate(
        input_variables=["context", "question"],
        template=template
    )
    chain = LLMChain(llm=llm, prompt=prompt)
    context = "\n".join([d.page_content for d in docs[:5]])
    return chain.run(context=context, question=question)

docs = load_document("contract.pdf")
print(extract_info(docs, "这份合同的签约方是谁？金额是多少？"))

批量生成文档

# 批量生成Word文档
from docx import Document
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

def generate_report(data, template_path, output_path):
    doc = Document(template_path)
    
    for key, value in data.items():
        # 用AI填充内容
        response = client.chat.completions.create(
            model="gpt-4",
            messages=[
                {"role": "system", "content": "你是技术报告撰写专家"},
                {"role": "user", "content": f"根据以下信息写一段{key}的内容（200字以内）: {value}"}
            ],
            max_tokens=300
        )
        content = response.choices[0].message.content
        
        # 替换模板中的占位符
        for paragraph in doc.paragraphs:
            if f"{{{{{key}}}}}" in paragraph.text:
                paragraph.text = paragraph.text.replace(f"{{{{{key}}}}}", content)
    
    doc.save(output_path)
    print(f"报告已生成: {output_path}")

data = {
    "项目概述": "AI办公自动化系统开发，预算50万，周期3个月",
    "技术方案": "Python + LangChain + OpenAI API",
    "风险评估": "API依赖、数据安全、成本控制"
}
generate_report(data, "template.docx", "project_report.docx")

Excel数据处理

# AI辅助Excel数据处理
import pandas as pd
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

def analyze_excel(file_path, question):
    df = pd.read_excel(file_path)
    
    # 将数据摘要发送给AI分析
    data_summary = df.describe().to_string()
    columns = ", ".join(df.columns.tolist())
    
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "你是数据分析专家，根据数据回答问题"},
            {"role": "user", "content": f"列名: {columns}\n数据摘要:\n{data_summary}\n\n问题: {question}"}
        ],
        max_tokens=500
    )
    return response.choices[0].message.content

print(analyze_excel("sales.xlsx", "哪个月份销售额最高？有什么趋势？"))

小结

AI文档处理能大幅减少重复性文档工作。LangChain的文档加载器支持多种格式，配合大模型可实现信息提取和内容生成。生产环境需注意文档大小限制和API调用成本。

创意AI编程-学习路线