当前位置：首页 > news >正文

如何用 Python + LLM 构建一个智能栗子表格提取工具？

news 2025/7/18 6:38:14

在日常办公和数据处理场景中，“Word 表格 → Excel 汇总” 是一项高频却重复的任务，尤其当面对几十上百份结构不一致的 Word 文件时，传统的手动复制粘贴方式既耗时又易错。

今天，我们将以“栗子表格”为例，结合 Python 和大语言模型（LLM, Large Language Model），一步步拆解并构建一个智能表格提取工具，实现 Word 表单字段的自动识别、标准化、对齐与 Excel 生成。

本文适合具备一定 Python 基础、对 AI+办公自动化感兴趣的开发者或数据处理工程师阅读。

🧩 背景问题：为什么这不是简单的“提取表格”？

传统的表格提取工具往往假设所有 Word 文件格式一致、字段标准。但真实世界的数据，往往存在：

表格字段名称不统一（“电话” vs “手机号”）
表格结构不同（横向 vs 纵向，字段顺序混乱）
多语言、缩写、错别字混杂
不同用户可能删除或新增字段

我们需要的不只是“读取表格”，而是理解表格语义、识别字段含义、统一结构输出。这正是 LLM 的强项。

🛠️ 技术栈概览

模块	技术实现
文档解析	`python-docx` / `docx2txt`
数据标准化	自定义规则 + LLM（OpenAI / Claude）
表格结构化	`pandas` + 字段映射逻辑
Excel 导出	`openpyxl` / `xlsxwriter`
批处理系统	Python 脚本 + CLI / Web UI

第一步：提取 Word 表格中的字段和值

使用 python-docx 读取 .docx 文件中的表格内容，并将其解析为键值对结构。

from docx import Documentdef extract_table_fields(doc_path):doc = Document(doc_path)data = {}for table in doc.tables:for row in table.rows:if len(row.cells) >= 2:key = row.cells[0].text.strip()value = row.cells[1].text.strip()data[key] = valuereturn data

📌 注意事项：

有些表格可能为“横向”填写，需自定义判断方式
多个表格时需合并字段（非覆盖）

第二步：使用 LLM 做字段归一化（字段别名识别）

面对多种字段命名（“联系电话”、“手机”、“联系方式”），我们可以构建一个 LLM Prompt，让模型来做智能匹配。

import openaidef normalize_fields(data_dict):prompt = f"""
你是一个表单标准化工具，以下是原始字段和值：{data_dict}请将字段名标准化为以下之一：
["name", "gender", "phone", "email", "age"]返回格式：{{标准字段名: 原始值}} 的 JSON。
"""response = openai.ChatCompletion.create(model="gpt-4",messages=[{"role": "user", "content": prompt}],temperature=0.2)return eval(response['choices'][0]['message']['content'])

🧠 优势：

能够处理拼写差异、语义近似的字段
可以自定义标准字段集合，适配不同表单类型

第三步：批量处理文件夹中的 Word 文件

结合前两步，我们构建一个完整的提取逻辑，处理多个 Word 文档并合并为 Excel。

import os
import pandas as pddef batch_process(folder_path):records = []for filename in os.listdir(folder_path):if filename.endswith(".docx"):path = os.path.join(folder_path, filename)raw_data = extract_table_fields(path)normalized_data = normalize_fields(raw_data)normalized_data["file_name"] = filenamerecords.append(normalized_data)df = pd.DataFrame(records)df.to_excel("output.xlsx", index=False)

📂 示例输入结构：

data/
├── 表单1.docx
├── 表单2.docx
├── 表单3.docx

📄 输出文件：output.xlsx（每行代表一份 Word 表）

第四步：构建一个 Web 前端（可选）

如果你想让非程序员也能使用这个工具，可以考虑用 Streamlit 快速构建一个交互式界面：

pip install streamlit

import streamlit as stst.title("栗子表格：智能 Word 表单提取工具")
uploaded_files = st.file_uploader("上传 Word 表格", accept_multiple_files=True, type="docx")if st.button("一键提取"):results = []for file in uploaded_files:raw = extract_table_fields(file)clean = normalize_fields(raw)results.append(clean)df = pd.DataFrame(results)st.dataframe(df)df.to_excel("out.xlsx", index=False)st.success("提取完成，可下载！")

🎉 最终，你将拥有一个带界面、支持批量上传的智能表单提取系统！