# document_title_dispose

**Repository Path**: bluesky79/document_title_dispose

## Basic Information

- **Project Name**: document_title_dispose
- **Description**: 红头文件标题提取网页部署（ngrok）
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2026-07-24
- **Last Updated**: 2026-07-24

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 📄 PDF / Word 识别导出 Excel 工具

基于 Streamlit 的智能文档处理工具，自动识别 PDF 和 Word 文档中的红头标题，填充到 Excel 模板中，支持批量处理。

---

## ✨ 功能特点

- 🔍 **PDF 识别**：利用 OCR 技术识别 PDF 页面中的文字，并自动定位红色分隔线（红头横线），提取标题1和标题2。
- 📝 **Word 识别**：
  - 若 Word 中包含图片，则对图片进行 OCR 识别，同样支持红头解析。
  - 若 Word 为纯文本，则根据字号大小自动提取标题（最大字号为标题1，次大为标题2）。
- 📊 **Excel 模板填充**：支持自定义占位符（如 `{{title1}}`、`{{title2}}`、`{{receive_time}}`），将识别结果自动填入模板。
- 📦 **批量处理**：可一次性上传多个文件或通过文件名检索服务器文件，批量生成 Excel 结果。
- 📈 **进度与日志**：实时显示处理进度条，详细日志记录每个文件的处理状态，错误隔离不影响其他文件。
- ⚙️ **高级功能**：
  - 自定义模板占位符名称
  - 自定义输出文件名前缀/后缀
- 🗂️ **结果下载**：支持单个下载或打包下载全部生成的 Excel 文件。
- **项目特点**：本项目配备了streamlit和ngrok，让你可以创建一个所有人都可以访问的网页，可供多人使用办公处理
- **提示**：本项目只适用于麒麟v10操作系统，代码由ai生成

---

## 🚀 快速开始

### 1. 安装依赖

确保 Python 版本 >= 3.8，推荐使用 Conda 管理环境。

```bash
# 克隆仓库（或下载源码）
git clone https://gitee.com/bluesky79/document_title_dispose.git
cd document_title_dispose

# 安装所需包（若使用 requirements.txt）
pip install -r requirements.txt
```

如果未提供 `requirements.txt`，可手动安装以下核心依赖：

```bash
pip install streamlit openpyxl pandas numpy opencv-python-headless PyMuPDF rapidocr_onnxruntime python-docx configparser
```

### 2. 运行应用

```bash
streamlit run tool.py
```

应用将自动在浏览器中打开（默认端口 8501）。

---

## 🧩 使用指南

1. **配置检索目录**（可选）：在侧边栏设置文件搜索路径，用于“检索服务器文件”模式。
2. **选择文件来源**：
   - 批量上传本地文件（支持多选，可同时上传 PDF 和 DOCX）
   - 根据文件名在配置目录中检索
3. **选择 Excel 模板**：可上传本地模板或从配置目录中检索。
4. **（可选）展开高级功能**：自定义模板中的占位符名称（如将 `{{title1}}` 改为 `{{subject}}`）以及输出文件的前缀/后缀。
5. **点击“开始批量转换”**：等待进度条完成，查看处理日志。
6. **下载结果**：支持单个下载或打包下载全部生成的 Excel 文件。

---

## 🛠️ 技术栈

- **Streamlit** – 构建 Web 界面
- **OpenCV** – 图像处理（红头分隔线检测）
- **PyMuPDF (fitz)** – PDF 解析和图像提取
- **RapidOCR** – 光学字符识别（OCR）
- **python-docx** – Word 文档解析
- **openpyxl** – Excel 模板填充

---

## 📁 项目结构

```
.
├── tool.py               # 主程序
├── config.ini            # 配置文件（可自动生成）
├── requirements.txt      # 依赖列表
└── .streamlit/
    └── config.toml       # Streamlit 主题配置（可选）
```

---

## 🤝 贡献与反馈

欢迎提交 Issue 或 Pull Request，帮助改进本项目。

---

## 📄 许可

本项目基于 MIT 许可证开源，可自由使用和修改。

---

**开发**：云天
**日期**：2026年7月