لا تنظر فقط إلى حجم الخط لعناوين Word: فالنمط هو دليل هيكلي أفضل

إذا كنت تستخدم برنامجًا نصيًا لاستخراج جدول المحتويات أو فصول مستندات Word دفعةً واحدة، فقد تواجه فقدان "عنوان المستوى الأول" أو إساءة تقدير النص الغامق باعتباره فصلًا. لا يرجع هذا عادةً إلى عدم كتابة التعبيرات العادية بشكل جيد بما فيه الكفاية، ولكن لأن الفقرة لا تحتوي على نمط عنوان مثل Heading 1 المطبق عليها، ولكن يتم زيادة حجم الخط يدويًا ويكون النص غامقًا. في معالجة بنية مستند Word، لا يساوي التمثيل المرئي البنية، ويعتبر paragraph.style دليلًا دلاليًا أكثر موثوقية.

المحتوى أدناه مناسب للمطورين ومهندسي المستندات المسؤولين عن أتمتة المستندات أو تحليل الدُفعات أو فحوصات ما قبل الترجمة. تستخدم الأمثلة الموجودة في هذه المقالة عينات تركيبية ويتم إنشاؤها في الذاكرة لتسهيل إعادة إنتاجها وفهمها. تم فحص الكود باستخدام أمثلة في بيئة معزولة، لكن هذا لا يضمن جميع الملفات الحقيقية أو أداء المنتج. قبل معالجة المستندات المهمة، يرجى الاحتفاظ بالنسخ الأصلية ومراجعتها وفقًا للحدود وبنود القبول في النص.

كيفية التعرف على عناوين الكلمات؟ استنتاج جملة واحدة

استنتاج من جملة واحدة: استخدم paragraph.style كأساس رئيسي للحكم على العناوين، واستخدم الأسماء الداخلية الإنجليزية أو جداول التعيين للعثور على الأنماط. لا تنظر فقط إلى حجم الخط والخط العريض.

لماذا يجب علينا استخدام الأسماء الداخلية الإنجليزية للعثور على الأنماط؟

يعمل python-docx على ملفات WordprocessingML الأساسية، وليس على واجهة تطبيق Word. بغض النظر عما إذا كانت كلمة المستخدم صينية أو يابانية أو ألمانية، فإن الأسماء المخزنة للأنماط المضمنة تكون باللغة الإنجليزية. على سبيل المثال، يتم تسجيل "العنوان 1" المعروض على النسخة الصينية من واجهة Word كـ Heading 1 في XML. للتعرف على طرق تخزين الأنماط وقواعد التسمية، يرجى الرجوع إلى فهم الأنماط - وصف مفهوم python-docx.

إذا تم استخدام styles['标题 1'] للبحث في الكود، فسيقوم البرنامج بإلقاء KeyError مباشرة. يعد هذا أحد الأخطاء الشائعة عند العمل مع المستندات متعددة اللغات.

لا تخضع الأنماط المخصصة لهذا التقييد وأسمائها في XML هي تمامًا كما يراها المستخدم على الواجهة. لذلك، عند كتابة منطق تحليل قوي، يمكنك إنشاء جدول تعيين من أسماء العرض المترجمة إلى الأسماء الداخلية الإنجليزية، أو يمكنك مطالبة مُرسلي المستندات باستخدام قالب قياسي.

مثال تركيبي: الإخراج الصحيح وحالات الحافة

لتوضيح منطق التعرف على الأسلوب، قمنا ببناء عينة تركيبية تحتوي على ثلاث فقرات نموذجية:

1. الفقرة أ: تم تطبيق النمط Heading 1، والنص هو "مقدمة الفصل الأول".
2. الفقرة ب: النمط هو Normal، ولكن تم ضبط حجم الخط والخط الغامق يدويًا على 16pt، والنص "مهم".
3. الفقرة ج: يتم تطبيق النمط المخصص MyCustomTitle، والنص هو "وصف الملحق".

الإخراج المتوقع: يجب أن يُرجع المحلل قائمة منظمة مع وضع علامة على الفقرة A والفقرة C فقط كعقد عنوان. على الرغم من أن الفقرة ب بارزة بصريًا، بسبب الافتقار إلى النمط الدلالي، إلا أنه يجب تصنيفها كنص عادي، أو وضع علامة عليها على أنها "عنوان مشتبه به ليتم تأكيده يدويًا"، ولا يمكن ترقيتها تلقائيًا إلى عقدة هيكلية.

الخطأ وإدخال الحدود: إذا كانت فقرة في المستند تشير إلى نمط تمت إزالته، أي أن w:pStyle w:val="DeletedStyle" موجود في XML، ولكن تعريف النمط مفقود، فإن وصول python-docx إلى paragraph.style.name قد يعرض None أو يطرح استثناء. الطريقة الأكثر حكمة هي التحقق مما إذا كان كائن النمط موجودًا قبل الوصول إليه، أو خفض مستوى هذه الفقرات إلى معالجة النص العادي لتجنب مقاطعة عملية التحليل بأكملها.

نموذج بناء الذاكرة ورمز تأكيد النمط

يوضح الكود أدناه كيفية التحقق من منطق التعرف على النمط في بيئة خاضعة للتحكم. يتم استخدامه لتوضيح استخدام واجهة برمجة التطبيقات (API) وأفكار التأكيد، وهو ليس محللًا على مستوى الإنتاج. عند استخدامه فعليًا، يرجى تشغيله في بيئة تقوم فيها بقفل إصدار التبعية. يوصى بـ python-docx>=0.8.11. للتعرف على الاستخدام المحدد للأنماط، يرجى الرجوع إلى العمل مع الأنماط - الوثائق الرسمية لـ python-docx.

from docx import Document
from docx.enum.style import WD_STYLE_TYPE
from docx.shared import Pt

def build_sample_doc():
    """构建含混合样式的合成文档，无需外部文件"""
    doc = Document()
    # 标准内置标题
    doc.add_heading('Chapter One', level=1)
    # 视觉像标题但无样式
    p_visual = doc.add_paragraph('Visual Fake Title')
    run = p_visual.runs[0]
    run.bold = True
    run.font.size = Pt(15)  # 使用Pt单位确保API规范
    # 自定义样式
    if 'MyCustomTitle' not in [s.name for s in doc.styles]:
        doc.styles.add_style('MyCustomTitle', WD_STYLE_TYPE.PARAGRAPH)
    doc.add_paragraph('Appendix Note', style='MyCustomTitle')
    return doc

def extract_semantic_headings(doc):
    """仅提取具有明确样式的标题，忽略直接格式化"""
    headings = []
    for para in doc.paragraphs:
        style_name = para.style.name if para.style else None
        # 严格匹配：内置Heading或已知自定义标题样式
        if style_name and (style_name.startswith('Heading ') or style_name == 'MyCustomTitle'):
            headings.append({'text': para.text, 'style': style_name})
    return headings

# 验证逻辑
sample = build_sample_doc()
result = extract_semantic_headings(sample)

assert len(result) == 2, f"期望2个语义标题，实际得到{len(result)}个"
assert result[0]['style'] == 'Heading 1'
assert result[1]['style'] == 'MyCustomTitle'
assert all('Visual Fake' not in item['text'] for item in result)

يستبعد هذا الرمز بشكل صريح الاعتماد فقط على سمات الخط لتحديد العناوين. يتم استخدام assert للتأكد من أن المنطق يلبي التوقعات، ولكن في المستندات الحقيقية، يمكن استبدال التأكيدات بآليات جمع التسجيل أو الاستثناءات لتسهيل العرض الموحد للمشكلات أثناء المعالجة المجمعة.

قائمة التحقق من القبول وحدود المراجعة اليدوية

لا يمكن للتحليل الآلي أن يغطي جميع عادات التنضيد. يلخص الجدول التالي قرارات المعالجة للسيناريوهات الشائعة لمساعدة الفرق على رسم الحدود بين التعاون بين الآلة والإنسان.

لاحظ أن هذا الجدول مخصص للتحقق المنطقي على مستوى العرض التوضيحي للكود، ويجب تقييم التأثير الشامل بناءً على أنواع مستندات محددة. على سبيل المثال، قد يستخدم "شرط التعريف" في عقد قانوني أسلوبًا مخصصًا ولا ينبغي معاملته كعنوان قسم؛ قد تتطلب "الملاحظة" في الدليل الفني معاملة خاصة عند ترجمتها حتى لو كانت تستخدم Heading 3. عند مواجهة مثل هذه القواعد الخاصة بالمجال، يجب تضمين عملية مراجعة يدوية.

📊 المقارنة الأساسية

🎯 ما هي الطريقة المناسبة لك؟

إذا كنت بحاجة إلى استخراج جدول المحتويات أو بنية الفصل من Word

إعطاء الأولوية لاستخدام paragraph.style بدلاً من الاعتماد على حجم الخط والخط الغامق.

إذا كنت تريد معالجة الإصدارات المترجمة من مستندات Word مثل الصينية واليابانية

ابحث عن الأنماط المضمنة باستخدام الأسماء الداخلية الإنجليزية، أو قم بإنشاء جدول تعيين للأسماء المترجمة إلى الأسماء الداخلية.

إذا كان المستند الخاص بك مكتوبًا بواسطة عدة أشخاص وكان التنسيق غير موحد

يتم حجز المراجعة اليدوية للفقرات ذات النمط Normal ولكنها بارزة بصريًا، ويتم تسجيل معلومات الموقع.

إذا كنت تتعامل مع العقود القانونية أو الأدلة الفنية

قم أولاً بفرز قواعد النمط المحددة في الحقل، ثم حدد الفقرات التي يمكن التعرف عليها تلقائيًا والتي تتطلب الحكم اليدوي.

❓ الأسئلة الشائعة (الأسئلة الشائعة)

1. لماذا لا يمكنني استخدام styles['标题 1'] مباشرة للعثور على العنوان؟

نظرًا لأن python-docx يقرأ XML الأساسي، يتم تخزين الأنماط المضمنة في XML كأسماء إنجليزية، مثل Heading 1. سيؤدي "العنوان 1" المعروض في الإصدار الصيني من واجهة Word إلى حدوث KeyError عند استخدامه في الكود.

2. إذا كانت الفقرة ذات حجم خط كبير وغامق فقط، فهل يمكن استخدامها كعنوان؟

لا يُنصح باستخدامه تلقائيًا كعنوان. يفتقر هذا النوع من الفقرات إلى الأسلوب الدلالي ويجب وضع علامة عليه على أنه "عنوان مشبوه" وسيتم تأكيده يدويًا قبل اتخاذ قرار بشأن تضمينه في البنية أم لا.

3. ماذا تفعل عندما يكون نمط الفقرة None؟

يوصى بتسجيل التحذيرات ومعاملتها كنص عادي. إذا حدثت مثل هذه المواقف بأعداد كبيرة في الملفات الدفعية، فيجب جدولة المراجعة اليدوية.

4. هل يمكن استخدام الأنماط المخصصة كعناوين؟

إذا كان النمط المخصص يرث من Heading 1، وكانت سلسلة وراثة base_style مكتملة، فيمكن اعتباره عنوانًا صالحًا.

📝 ملخص

عند الحكم على عناوين الكلمات، يجب أن يكون الأسلوب هو الأساس الرئيسي، وليس المؤثرات البصرية فقط. بعد اجتياز التحقق من الرمز، لا يزال يتعين دمجه مع أنواع محددة من المستندات والمراجعة اليدوية للتأكد من موثوقية النتائج.

جربه الآن: قم بتحميل المستند لبدء الترجمة، مع الاحتفاظ بالتخطيط الأصلي