pip install python-docx Pillow requests # 如果需要調(diào)用 LLM API
# 可能需要其他庫，取決于具體實(shí)現(xiàn)

import os
from docx import Document
from docx.shared import Inches
# 可能需要導(dǎo)入其他模塊，如處理 XML 或調(diào)用 API

# --- 配置 ---
SOURCE_DOCS_DIR = 'files/transform/docx/source_documents'
TARGET_TEMPLATE = 'files/transform/docx/template.docx'
OUTPUT_DOC_PATH = 'files/transform/docx/generated_document.docx'
EXTRACTION_RULES = { # 示例規(guī)則，需要根據(jù)你的實(shí)際情況修改
    'source_doc_1.docx': {'heading_start': 'Chapter 3', 'heading_end': 'Chapter 4'},
    'source_doc_2.docx': {'style_name': 'SourceHighlight'},
    # ... 其他文檔的規(guī)則
}

# --- 輔助函數(shù) (示例) ---
def should_extract_paragraph(paragraph, rules):
    # 實(shí)現(xiàn)基于規(guī)則判斷段落是否應(yīng)該提取的邏輯
    # 例如：檢查段落文本是否匹配、樣式是否匹配等
    # 返回 True 或 False
    # (這部分邏輯需要根據(jù)你的具體規(guī)則編寫)
    style_name = paragraph.style.name
    text = paragraph.text.strip()
    # 示例：基于樣式的簡(jiǎn)單規(guī)則
    if 'style_name' in rules and style_name == rules['style_name']:
        return True
    # 示例：基于起始標(biāo)題的簡(jiǎn)單規(guī)則（需要狀態(tài)管理）
    # if 'heading_start' in rules ... (需要更復(fù)雜的邏輯來跟蹤當(dāng)前章節(jié))
    return False # 默認(rèn)不提取

def extract_content_from_doc(source_path, rules):
    """從單個(gè)源文檔提取內(nèi)容"""
    extracted_elements = []
    try:
        source_doc = Document(source_path)
        # 標(biāo)記是否處于提取區(qū)域（例如，在特定章節(jié)之間）
        in_extraction_zone = False # 需要根據(jù)規(guī)則調(diào)整初始狀態(tài)

        for element in source_doc.element.body:
            # 處理不同類型的元素：段落、表格等
            if element.tag.endswith('p'): # 是段落
                paragraph = docx.text.paragraph.Paragraph(element, source_doc)

                # --- 核心提取邏輯 ---
                # 這里需要根據(jù)你的 EXTRACTION_RULES 實(shí)現(xiàn)復(fù)雜的判斷邏輯
                # 例如，判斷是否遇到起始標(biāo)題，是否遇到結(jié)束標(biāo)題，段落樣式是否匹配等
                # 這是一個(gè)簡(jiǎn)化的示例，實(shí)際可能需要更精細(xì)的狀態(tài)管理
                if 'heading_start' in rules and paragraph.style.name.startswith('Heading') and rules['heading_start'] in paragraph.text:
                    in_extraction_zone = True
                    continue # 不提取起始標(biāo)題本身？看需求
                if 'heading_end' in rules and paragraph.style.name.startswith('Heading') and rules['heading_end'] in paragraph.text:
                    in_extraction_zone = False
                    continue # 到達(dá)結(jié)束標(biāo)題，停止提取

                if in_extraction_zone or should_extract_paragraph(paragraph, rules):
                     # 提取文本內(nèi)容
                    text_content = paragraph.text
                     # 嘗試提取基本格式（粗體、斜體） - 比較復(fù)雜，可能需要遍歷 runs
                    # TODO: 提取圖片 (需要檢查段落中的 inline_shapes 或 runs 中的 drawing)
                    # TODO: 提取公式 (極具挑戰(zhàn)性，見下文討論)
                    extracted_elements.append({'type': 'paragraph', 'text': text_content, 'style': paragraph.style.name}) # 可以攜帶源樣式名供參考

            elif element.tag.endswith('tbl'): # 是表格
                table = docx.table.Table(element, source_doc)
                # --- 提取表格 ---
                # TODO: 實(shí)現(xiàn)表格提取邏輯，可能需要檢查是否在提取區(qū)域內(nèi)
                # if in_extraction_zone or table_should_be_extracted(table, rules):
                table_data = []
                for row in table.rows:
                    row_data = [cell.text for cell in row.cells]
                    table_data.append(row_data)
                extracted_elements.append({'type': 'table', 'data': table_data})

            # --- 處理圖片 ---
            # 查找段落內(nèi)的圖片 (inline_shapes)
            # paragraph = docx.text.paragraph.Paragraph(element, source_doc) # Re-get paragraph object if needed
            # for run in paragraph.runs:
            #     if run.element.xpath('.//wp:inline | .//wp:anchor'): # Check for drawings
            #         # This part is complex: need to get image data (rId) and relate it back
            #         # to the actual image part in the docx package.
            #         # python-docx can extract images, but associating them perfectly
            #         # with their original position during extraction requires care.
            #         # Placeholder:
            #         # image_data = get_image_data(run, source_doc)
            #         # if image_data:
            #         #    extracted_elements.append({'type': 'image', 'data': image_data, 'filename': f'img_{len(extracted_elements)}.png'})
            pass # Placeholder for image extraction logic

    except Exception as e:
        print(f"Error processing {source_path}: {e}")
    return extracted_elements

# --- 主流程 ---
all_extracted_content = []
source_files = [f for f in os.listdir(SOURCE_DOCS_DIR) if f.endswith('.docx')]

for filename in source_files:
    source_path = os.path.join(SOURCE_DOCS_DIR, filename)
    rules = EXTRACTION_RULES.get(filename, {}) # 獲取該文件的提取規(guī)則
    if rules: # 只處理定義了規(guī)則的文件
        print(f"Extracting from: {filename}")
        content = extract_content_from_doc(source_path, rules)
        all_extracted_content.extend(content)
    else:
        print(f"Skipping {filename}, no rules defined.")

print(f"Total elements extracted: {len(all_extracted_content)}")

# --- ---
import requests
import json

# --- 配置 LLM ---
LLM_API_URL = "YOUR_LLM_API_ENDPOINT" # e.g., OpenAI API URL
LLM_API_KEY = "YOUR_LLM_API_KEY"
LLM_PROMPT_TEMPLATE = """
請(qǐng)根據(jù)以下要求，改寫這段文字：
目標(biāo)語言風(fēng)格：[在此處詳細(xì)描述，例如：正式、客觀、簡(jiǎn)潔]
用詞規(guī)范：[在此處列出規(guī)范，例如：使用“用戶”而非“客戶”，避免使用縮寫]
文法習(xí)慣：[在此處描述，例如：多使用主動(dòng)語態(tài)，句子長(zhǎng)度適中]
目標(biāo)受眾：[描述目標(biāo)讀者]

原文：
"{text}"

改寫后的文字：
"""

def adapt_text_style(text):
    """使用 LLM API 調(diào)整文本風(fēng)格"""
    if not text.strip():
        return text # 跳過空文本

    prompt = LLM_PROMPT_TEMPLATE.format(text=text)
    headers = {
        "Authorization": f"Bearer {LLM_API_KEY}",
        "Content-Type": "application/json",
    }
    data = {
        "model": "gpt-4", # 或你使用的模型
        "prompt": prompt,
        "max_tokens": 1024, # 根據(jù)需要調(diào)整
        "temperature": 0.5, # 控制創(chuàng)造性，較低值更保守
    }
    try:
        response = requests.post(LLM_API_URL, headers=headers, json=data)
        response.raise_for_status() # 檢查 HTTP 錯(cuò)誤
        result = response.json()
        # 解析 LLM 返回的結(jié)果，注意不同 API 的格式可能不同
        rewritten_text = result['choices'][0]['text'].strip() # 示例路徑
        print(f"Original: {text[:50]}... | Rewritten: {rewritten_text[:50]}...")
        return rewritten_text
    except requests.exceptions.RequestException as e:
        print(f"Error calling LLM API: {e}")
        return text # 出錯(cuò)時(shí)返回原文
    except (KeyError, IndexError) as e:
        print(f"Error parsing LLM response: {e} - Response: {response.text}")
        return text # 出錯(cuò)時(shí)返回原文

# --- 應(yīng)用風(fēng)格調(diào)整 ---
adjusted_content = []
for element in all_extracted_content:
    if element['type'] == 'paragraph':
        # --- 調(diào)用 LLM API ---
        # adjusted_text = adapt_text_style(element['text'])
        # element['text'] = adjusted_text # 更新文本
        # --- 或者先不調(diào)用，等生成后再處理 ---
        adjusted_content.append(element)
    elif element['type'] == 'table':
         # 表格內(nèi)容也可以逐個(gè)單元格處理，但可能效果不佳或成本高
         # 更好的方法可能是將表格內(nèi)容整理成文本描述給 LLM，或者人工處理
         adjusted_content.append(element)
    elif element['type'] == 'image':
         # 圖片無法直接處理
         adjusted_content.append(element)
    # 處理其他類型...

# --- (接續(xù)到下一階段：文檔生成) ---

# --- (續(xù)上) ---

# --- 創(chuàng)建目標(biāo)文檔 (基于模板) ---
try:
    target_doc = Document(TARGET_TEMPLATE)
except Exception as e:
    print(f"Error loading template {TARGET_TEMPLATE}: {e}")
    # 可以考慮創(chuàng)建一個(gè)空文檔作為后備
    # target_doc = Document()
    exit()


# --- 填充內(nèi)容并應(yīng)用樣式 ---
for element in adjusted_content: # 使用調(diào)整后的內(nèi)容，或者原始提取內(nèi)容
    if element['type'] == 'paragraph':
        text = element['text']
        # --- 核心：應(yīng)用模板中定義的樣式 ---
        # 簡(jiǎn)單方式：所有段落應(yīng)用默認(rèn)正文樣式
        # target_doc.add_paragraph(text, style='TargetBodyText') # 假設(shè)模板中有此樣式

        # 復(fù)雜方式：根據(jù)源文檔信息或內(nèi)容判斷應(yīng)用哪個(gè)目標(biāo)樣式
        # 示例：如果源樣式是 Heading 1，應(yīng)用 TargetHeading1
        source_style = element.get('style', '') # 獲取源樣式名（如果提取時(shí)保存了）
        if source_style.startswith('Heading 1'):
             target_doc.add_paragraph(text, style='TargetHeading1') # 假設(shè)模板中有此樣式
        elif source_style.startswith('Heading 2'):
             target_doc.add_paragraph(text, style='TargetHeading2')
        # ... 其他樣式映射規(guī)則
        else:
             target_doc.add_paragraph(text, style='TargetBodyText') # 默認(rèn)樣式

    elif element['type'] == 'table':
        table_data = element['data']
        if table_data:
            # 創(chuàng)建表格
            num_rows = len(table_data)
            num_cols = len(table_data[0]) if num_rows > 0 else 0
            if num_rows > 0 and num_cols > 0:
                # --- 應(yīng)用模板中定義的表格樣式 ---
                table = target_doc.add_table(rows=num_rows, cols=num_cols, style='TargetTableStyle') # 假設(shè)模板中有此表格樣式
                # 填充數(shù)據(jù)
                for i, row_data in enumerate(table_data):
                    for j, cell_text in enumerate(row_data):
                        # 防止列數(shù)不匹配錯(cuò)誤
                        if j < len(table.rows[i].cells):
                            table.rows[i].cells[j].text = cell_text
                # 可以添加更多表格格式化代碼，如設(shè)置列寬等

    elif element['type'] == 'image':
        # --- 添加圖片 ---
        # image_data = element['data']
        # image_filename = element['filename']
        # # 需要將 image_data 保存為臨時(shí)文件或使用 BytesIO
        # from io import BytesIO
        # image_stream = BytesIO(image_data)
        # try:
        #    target_doc.add_picture(image_stream, width=Inches(4.0)) # 調(diào)整寬度
        # except Exception as e:
        #    print(f"Error adding image {image_filename}: {e}")
        pass # Placeholder for image insertion

    # --- 處理公式 (挑戰(zhàn)) ---
    # 如果公式被提取為圖片:
    #   elif element['type'] == 'formula_image':
    #       # 添加圖片...
    # 如果公式被提取為 MathML/OMML (XML 字符串):
    #   elif element['type'] == 'formula_mathml':
    #       # 使用 python-docx 直接插入 MathML 很困難
    #       # 可能需要直接操作 OOXML (非常復(fù)雜)
    #       # 或者，在段落中插入一個(gè)占位符 "[FORMULA]"，然后手動(dòng)替換
    #       target_doc.add_paragraph(f"[FORMULA: {element['id']}]", style='TargetBodyText')
    # 如果公式被提取為純文本近似值:
    #   elif element['type'] == 'formula_text':
    #       target_doc.add_paragraph(element['text'], style='FormulaStyle') # 可能需要特殊樣式

# --- 保存最終文檔 ---
try:
    target_doc.save(OUTPUT_DOC_PATH)
    print(f"Document successfully generated: {OUTPUT_DOC_PATH}")
except Exception as e:
    print(f"Error saving document: {e}")