hmo
04db423416
- 70 skills with code and documentation - Add .gitignore (ignore __pycache__, output/, temp/, venv/) - Clean up test intermediates and caches
146 lines
4.2 KiB
Plaintext
146 lines
4.2 KiB
Plaintext
# 文件读写编辑技能
|
||
|
||
## 概述
|
||
|
||
支持对 Word、Excel、PDF、PPT 四类办公文档进行**读取、创建、编辑**操作。
|
||
特别针对 WPS/Office 创建的中文文档编码问题提供解决方案。
|
||
|
||
## 适用场景
|
||
|
||
- 读取 `.docx` / `.xlsx` / `.pdf` / `.pptx` / **`.xls`** 文件内容
|
||
- 创建新的办公文档（报告、表格、演示文稿、PDF）
|
||
- 编辑已有文档（修改内容、格式、公式等）
|
||
- 中文编码乱码问题处理
|
||
- PDF 合并/拆分/OCR/加水印
|
||
- Excel 公式模型构建
|
||
- **旧版Excel (.xls) 文件处理**
|
||
|
||
---
|
||
|
||
## 一、Word 文档（docx）
|
||
|
||
[...保持原有内容不变...]
|
||
|
||
---
|
||
|
||
## 二、PDF 文档（pdf）
|
||
|
||
[...保持原有内容不变...]
|
||
|
||
---
|
||
|
||
## 三、PPT 演示文稿（pptx）
|
||
|
||
[...保持原有内容不变...]
|
||
|
||
---
|
||
|
||
## 四、Excel 电子表格（xlsx/xls）
|
||
|
||
### 4.1 读取
|
||
|
||
```bash
|
||
# 使用内置脚本（自动处理中文编码）
|
||
python .opencode/skills/file-reader/scripts/file_reader.py <file.xlsx> # 列出所有sheets
|
||
python .opencode/skills/file-reader/scripts/file_reader.py <file.xlsx> <sheet_idx> # 读指定sheet（默认前20行）
|
||
python .opencode/skills/file-reader/scripts/file_reader.py <file.xlsx> <sheet_idx> <max_rows> # 指定行数
|
||
|
||
# 新增：支持.xls格式
|
||
python .opencode/skills/file-reader/scripts/file_reader.py <file.xls> # 读取旧版Excel文件
|
||
```
|
||
|
||
**中文编码原理**：
|
||
- **.xlsx文件**：直接读取 xlsx 内部 XML（sharedStrings.xml），使用 UTF-8 解码，绕过 openpyxl 可能的编码问题
|
||
- **.xls文件**：使用 xlrd 库处理，自动检测 GBK/UTF-8 编码，特别处理 WPS 创建的中文.xls文件
|
||
|
||
### 4.2 .xls文件特殊处理
|
||
|
||
对于.xls格式文件，使用以下方法：
|
||
|
||
```python
|
||
import pandas as pd
|
||
import xlrd
|
||
|
||
def read_xls_with_chinese_encoding(file_path):
|
||
"""读取包含中文的.xls文件"""
|
||
try:
|
||
# 尝试直接读取
|
||
df = pd.read_excel(file_path, engine='xlrd')
|
||
return df
|
||
except UnicodeDecodeError:
|
||
# 如果失败，尝试不同编码
|
||
encodings = ['gbk', 'gb2312', 'utf-8']
|
||
for encoding in encodings:
|
||
try:
|
||
# 对于制表符分隔的伪xls文件
|
||
df = pd.read_csv(file_path, encoding=encoding, sep='\t')
|
||
return df
|
||
except:
|
||
continue
|
||
raise ValueError("无法识别文件编码")
|
||
```
|
||
|
||
### 4.3 创建与编辑
|
||
|
||
[...保持原有内容不变...]
|
||
|
||
### 4.4 公式规范（铁律）
|
||
|
||
[...保持原有内容不变...]
|
||
|
||
### 4.5 注意事项
|
||
|
||
- **.xlsx文件**：使用 openpyxl 处理
|
||
- **.xls文件**：使用 xlrd 处理，注意 xlrd 2.0+ 不再支持.xls格式，需要使用 xlrd 1.2.0
|
||
- **混合格式**：如果文件实际上是制表符分隔的CSV但扩展名为.xls，使用 pandas.read_csv() with sep='\t'
|
||
- **中文编码**：WPS创建的.xls文件通常使用GBK编码，Office创建的可能使用UTF-8
|
||
|
||
---
|
||
|
||
## 五、中文编码问题总结
|
||
|
||
| 文件类型 | 问题根源 | 解决方案 |
|
||
|---------|---------|---------|
|
||
| xlsx | WPS 内部 XML 可能是 GBK 但声明 UTF-8 | 直接读 zip 内 XML，正确解码 |
|
||
| **xls** | **WPS创建的.xls文件使用GBK编码** | **使用xlrd 1.2.0 + GBK编码处理** |
|
||
| docx | 同上 | 直接读 word/document.xml，尝试 UTF-8/GBK |
|
||
| pdf | 提取的中文在 Windows 终端乱码 | 保存到 UTF-8 文件再读取 |
|
||
| pptx | 类似 docx | 用 markitdown 或解包 XML |
|
||
|
||
---
|
||
|
||
## 六、依赖安装
|
||
|
||
```bash
|
||
# Python 核心（读取）
|
||
pip install python-docx openpyxl pypdf pdfplumber
|
||
|
||
# Excel .xls 支持（关键！）
|
||
pip install xlrd==1.2.0
|
||
|
||
# PDF 创建与 OCR
|
||
pip install reportlab pytesseract pdf2image
|
||
|
||
# PPT 文本提取
|
||
pip install "markitdown[pptx]" Pillow
|
||
|
||
# Node.js（文档创建）
|
||
npm install -g docx # Word 创建
|
||
npm install -g pptxgenjs # PPT 创建
|
||
|
||
# 系统工具（可选）
|
||
# LibreOffice - PDF转换、公式重算
|
||
# Poppler (pdftoppm/pdftotext/pdfimages) - PDF处理
|
||
# Tesseract - OCR
|
||
```
|
||
|
||
## 七、输出文件位置
|
||
|
||
| 文件类型 | 默认输出路径 |
|
||
|---------|------------|
|
||
| xlsx 读取 | `temp/xlsx_output.txt` |
|
||
| **xls 读取 | `temp/xls_output.txt`** |
|
||
| docx 读取 | `temp/docx_output.txt` |
|
||
| pdf 读取 | `temp/pdf_output.txt` |
|
||
|
||
保存到文件是为了确保中文在 Windows 终端乱码时仍可正确查看。 |