示例文档：中文 Office 文档全能助手使用说明

一、概述

中文 Office 文档全能助手是一个专为中文用户设计的 Office 文档处理技能，支持主流办公格式的读取、提取、总结和对比。

二、支持格式

1. 传统 Office 格式
   - PDF：文字层提取 + OCR 回退
   - Word：.docx、.doc
   - Excel：.xlsx、.xls
   - PowerPoint：.pptx、.ppt

2. WPS 格式（国内用户常用）
   - WPS 文字：.wps
   - WPS 表格：.et
   - WPS 演示：.dps

三、核心功能

1. 文档内容提取
   - 文本内容提取
   - 表格数据提取
   - 幻灯片内容提取
   - 批注和备注提取

2. 智能摘要生成
   - 一句话概览
   - 关键点提取（3-8 个）
   - 结构化信息提取（日期、金额、联系人等）

3. 公文格式支持
   - 党政机关公文模板
   - 企业常用公文格式
   - 标准公文要素识别

4. 多文档对比
   - 内容差异对比
   - 结构差异分析
   - 关键信息变更追踪

四、使用方法

1. 基本用法
   ```bash
   python3 scripts/extract_office_text.py "document.pdf" --json
   ```

2. 高级用法
   ```bash
   # 限制提取页数
   python3 scripts/extract_office_text.py "document.pdf" --page-limit 10 --json
   
   # 限制表格行数
   python3 scripts/extract_office_text.py "spreadsheet.xlsx" --row-limit 30 --json
   
   # 限制输出长度
   python3 scripts/extract_office_text.py "document.docx" --max-chars 30000 --json
   ```

五、依赖要求

1. 必需
   - Python 3.8+
   - Python 包：pypdf、python-docx、openpyxl、python-pptx

2. 可选（增强功能）
   - poppler-utils：PDF 转图片
   - tesseract-ocr：OCR 引擎
   - tesseract-ocr-chi-sim：中文 OCR 支持
   - libreoffice：旧版格式转换
   - antiword、catdoc：旧版 Word 支持

六、中文优化

1. 中文摘要算法
   - 基于中文分词的关键句提取
   - 中文标点符号智能处理
   - 中文文档结构识别

2. 公文要素识别
   - 发文机关识别
   - 文号识别
   - 主题词提取
   - 紧急程度判断

3. 排版优化
   - 中文段落智能分割
   - 中文表格对齐处理
   - 中文标点规范化

七、更新日志

v1.0.0 (2026-07-25)
- 初始版本发布
- 支持主流 Office 格式
- 支持 WPS 格式
- 内置公文模板
- 优化中文摘要算法

八、许可证

MIT License