---
name: vision-model-batch-extraction
description: "使用本地视觉模型从PDF批量提取结构化数据（单词+释义），生成Word文档。适用于标准文本提取工具因表格排版失败时的场景。"
author: agent
---

# 视觉模型批量结构化提取 & 通用 Word 文档生成

涵盖两大场景：
1. **PDF批量提取**（主场景）：将双栏排版PDF逐页转图后，用本地Ollama视觉模型批量提取结构化数据，生成分组Word文档。
2. **通用Word生成**（辅助场景）：从零创建Word文档（自我介绍、简历、报告等），无需PDF源，直接通过python-docx脚本生成。

## 适用场景

- PDF是双栏表格排版（左栏单词、右栏释义）
- 标准文本提取工具（pdfminer、pymupdf.get_text）因排版复杂提取不全
- 需要保持条目顺序和分组（如每天60词）

## 完整流程

### Step 1：PDF转图
```bash
pip install pymupdf
python -c "
import fitz, os
doc = fitz.open('book.pdf')
os.makedirs('img', exist_ok=True)
for i in range(len(doc)):
    doc[i].get_pixmap(dpi=150).save(f'img/p{i+1}.png')
doc.close()
"
```

### Step 2：Ollama视觉API调用
```python
with open('page.png', 'rb') as f:
    img_b64 = base64.b64encode(f.read()).decode()

data = json.dumps({
    'model': 'huihui_ai/qwen2.5-vl-abliterated:7b',
    'messages': [{
        'role': 'user',
        'content': '列出这一页所有单词和中文释义，格式：单词 - 中文释义',
        'images': [img_b64]  # 必须list，即使只有一张
    }],
    'stream': False
}).encode()
# 调用 http://localhost:11434/api/chat
```

### Step 3：解析输出
```python
import re
for line in text.split('\n'):
    clean = re.sub(r'^\d+[\.\s]+', '', line.strip())
    if ' - ' in clean:
        word, meaning = clean.split(' - ', 1)
```

### Step 4：生成Word文档（python-docx）
- 每60词一组，标`═══ Day N ═══`
- 格式：**word加粗** + `释义正常`
- 中文字体：`rPr.get_or_add_rFonts().set(qn('w:eastAsia'), 'SimSun')`
- 每10页自动保存一次

### Step 5：格式修复
- `- `前缀修复：去掉前缀后重设run内容
- 释义重复修复：检查run[0]是否包含run[1]内容

### Step 6：质量验证
让小Q逐页核对（只输出单词，更快），对比文档。

## 性能
- CPU推理（Ryzen 9 9955HX）：12-15秒/页
- 254页总计：约50分钟

## 通用 Word 文档生成（从零创建）

除 PDF 批量提取外，python-docx 也可用于从零生成 Word 文档。适用于自我介绍、简历、报告等场景。

### 前置条件

```bash
pip install python-docx
python -c "from docx import Document; print('OK')"
```

### 典型流程

```python
from docx import Document
doc = Document()
doc.add_heading('标题', level=0)
p = doc.add_paragraph()
p.add_run('标签：').bold = True
p.add_run('内容')
doc.add_paragraph('列表项', style='List Bullet')
doc.save(r'C:\Users\32295\Desktop\输出.docx')
```

### 常见陷阱

| 陷阱 | 解决 |
|------|------|
| `from python-docx import` 报错 | 正确：`from docx import Document`（无连字符） |
| 字符串内换行 SyntaxError | 用多个 `add_paragraph` 或三引号 |
| 反斜杠路径 UnicodeEscapeError | 用 raw string `r'C:\...'` 或正斜杠 |
| get 到 shell 执行 | 脚本用 `write_file` 保存后 `python` 执行，不要用 `execute_code` |

### 交付方式

1. 脚本写桌面 → `write_file(path='~/Desktop/gen_xxx.py')`
2. 终端执行 → `python ~/Desktop/gen_xxx.py`
3. 返回用户 → `MEDIA:~/Desktop/输出.docx`

## 关联参考

- `references/quick-vision-inspection.md` — 快速单张截图分析模式（当主模型不支持 vision 时用本地小模型实时查看）