实用干货|Python 批量校验 Word 文档标号,精准识别跳号异常

import osimport refrom docx import Document  # 需要安装python-docx库# 大写汉字数字映射CHINESE_NUM_MAP = {'零': 0, '一': 1, '二': 2, '三': 3, '四': 4, '五': 5,'六': 6, '七': 7, '八': 8, '九': 9, '十': 10,'壹': 1, '贰': 2, '叁': 3, '肆': 4, '伍': 5,'陆': 6, '柒': 7, '捌': 8, '玖': 9, '拾': 10}# 带圈数字映射CIRCLED_NUM_MAP = {'①': 1, '②': 2, '③': 3, '④': 4, '⑤': 5,'⑥': 6, '⑦': 7, '⑧': 8, '⑨': 9, '⑩': 10,'⑪': 11, '⑫': 12, '⑬': 13, '⑭': 14, '⑮': 15,'⑯': 16, '⑰': 17, '⑱': 18, '⑲': 19, '⑳': 20}def extract_labels_with_context(file_path):"""提取标号并保留上下文（段落+位置），用于判断是否为连续文本块:param file_path: Word文件路径:return: 标号列表，格式：[(标号文本, 数字值, 段落索引, 字符位置, 段落文本), ...]    """try:        doc = Document(file_path)        labels = []# 遍历每个段落，记录段落索引和文本for para_idx, para in enumerate(doc.paragraphs):            para_text = para.text# 定义标号匹配规则label_patterns = [                (r'(\d+[、.])', lambda x: int(x[:-1])),                (r'([零一二三四五六七八九十壹贰叁肆伍陆柒捌玖拾]+[、.])',lambda x: CHINESE_NUM_MAP.get(x[:-1], None)),                (r'([（(][零一二三四五六七八九十壹贰叁肆伍陆柒捌玖拾\d]+[）)])',lambda x: CHINESE_NUM_MAP.get(x[1:-1], int(x[1:-1])) if x[1:-1] in CHINESE_NUM_MAP else (int(x[1:-1]) if x[1:-1].isdigit() else None)),                (r'([零一二三四五六七八九十壹贰叁肆伍陆柒捌玖拾]+是)',lambda x: CHINESE_NUM_MAP.get(x[:-1], None)),                (r'([' + ''.join(CIRCLED_NUM_MAP.keys()) + '])',lambda x: CIRCLED_NUM_MAP.get(x, None))            ]# 匹配当前段落的标号for pattern, convert_func in label_patterns:for match in re.finditer(pattern, para_text):                    label_text = match.group(1)                    char_pos = match.start(1)try:                        label_num = convert_func(label_text)if label_num is not None and label_num > 0:                            labels.append((label_text, label_num, para_idx, char_pos, para_text))except:continue# 按段落索引+字符位置排序（文档内实际顺序）labels.sort(key=lambda x: (x[2], x[3]))return labelsexcept Exception as e:print(f"读取文件 {file_path} 出错：{str(e)}")return []def check_continuous_label_error(labels):"""校验标号异常：仅判定「同一连续文本块内跳号且中间有内容」的情况    规则：    1. 同数字连续（1、1、）→ 正常    2. 不同数字无间隔连续（3、5、9、）→ 正常    3. 同一文本块内标号跳号且中间有内容（3、……5.）→ 异常    """if len(labels) <= 1:return []    errors = []# 按段落分组（同一段落视为连续文本块，跨段落不校验）para_groups = {}for label in labels:        para_idx = label[2]if para_idx not in para_groups:            para_groups[para_idx] = []        para_groups[para_idx].append(label)# 校验每个段落内的标号for para_idx, para_labels in para_groups.items():if len(para_labels) <= 1:continue# 遍历段落内的标号，检查连续标号间的文本for i in range(len(para_labels) - 1):            curr_label = para_labels[i]            next_label = para_labels[i + 1]            curr_num = curr_label[1]            next_num = next_label[1]            curr_pos = curr_label[3] + len(curr_label[0])  # 标号结束位置next_pos = next_label[3]  # 下一个标号起始位置para_text = curr_label[4]  # 段落文本# 提取两个标号之间的文本middle_text = para_text[curr_pos:next_pos].strip()# 判定规则：跳号（next_num > curr_num+1）且中间有非空内容 → 异常if next_num > curr_num + 1 and len(middle_text) > 0:                err_desc = f"同一段落内跳号（{curr_num}→{next_num}，缺失{curr_num + 1}~{next_num - 1}），且中间有内容：「{middle_text}」"errors.append((next_label[0], next_num, para_idx, next_pos, err_desc))return errorsdef batch_check_label(folder_path):"""批量检查Word文档标号异常（精准匹配需求）    """if not os.path.exists(folder_path):print(f"❌ 错误：文件夹 {folder_path} 不存在！")returnword_files = [f for f in os.listdir(folder_path) if f.lower().endswith('.docx')]if not word_files:print("ℹ️ 未找到任何.docx格式的Word文件！")return    for file_name in word_files:        file_path = os.path.join(folder_path, file_name)print(f"\n========== 检查文件：{file_name} ==========")        labels = extract_labels_with_context(file_path)if not labels:print("ℹ️ 未找到指定类型的标号")continue# 打印提取的标号print(f"📌 提取的标号序列（按文档顺序）：")for idx, (text, num, para_idx, char_pos, _) in enumerate(labels, 1):print(f"   第{idx}个：{text} (数字值：{num}，段落{para_idx + 1}，位置{char_pos})")# 校验异常errors = check_continuous_label_error(labels)if errors:print("❌ 发现标号异常：")for text, num, para_idx, char_pos, err_desc in errors:print(f"   标号：{text}，段落{para_idx + 1}，位置{char_pos} → {err_desc}")else:print("✅ 无异常：同数字连续/不同数字无间隔连续均正常，无跳号且中间有内容的情况")# ------------------- 主程序执行 -------------------if __name__ == "__main__":# 替换为你的Word文件路径TARGET_FOLDER = r"D:\需要检查的文档文件夹"batch_check_label(TARGET_FOLDER)