Python AI办公神器：长文本秒变精华，摘要关键词一键提取

上一篇用LSTM实现电影评论情感分析后，后台收到大量职场人的留言：“每天要处理几十份客户报告、会议纪要，有没有办法让AI自动提炼核心内容？”这正是NLP技术最接地气的应用——文本摘要与关键词提取，能把上千字的长文浓缩成百字精华，还能自动抓取核心词，大幅节省阅读时间。

今天这篇，我们就用Python搭建两套实用工具：一套基于“TextRank算法”实现轻量级摘要与关键词提取（无需训练，开箱即用），另一套基于预训练模型实现更高质量的摘要生成。最后还会整合为批量处理工具，支持Word/Excel中的长文本批量处理，真正成为你的办公效率利器。

一、核心认知：AI如何“提炼”文本精华？

人类提炼摘要时，会先抓住“关键句”，再从关键句中提取“核心词”。AI则通过两种主流思路实现这一过程，分别适配不同场景：

无监督算法（如TextRank）：把句子看作“节点”，句子间的类似度看作“连接”，通过计算节点权重找出关键句（摘要）；再对关键句做同样处理，提取关键词。优点是无需训练数据，速度快，适合办公轻场景。

预训练模型（如BART、T5）：基于海量文本训练的专业摘要模型，能理解上下文逻辑，生成更连贯、更贴合语义的摘要。优点是摘要质量高，适合复杂文本；缺点是对硬件有必定要求，速度略慢。

场景选择提议：日常办公处理会议纪要、报告等，用TextRank足够；处理学术论文、深度分析等复杂文本，优先用预训练模型。

二、核心工具与环境准备

文本摘要与关键词提取的工具链超级成熟，我们选用轻量级库为主，兼顾效率与效果，新手无需配置复杂环境：

jieba：中文分词核心库，为TextRank算法提供基础支持
textrank4zh：基于TextRank的中文摘要与关键词提取库，封装完善
transformers：Hugging Face开源库，提供预训练摘要模型（如BART）
python-docx/openpyxl：处理Word/Excel文件，实现办公场景落地

安装命令（一次性安装所有依赖，复制执行即可）：

# 安装核心依赖库
pip install jieba textrank4zh transformers torch python-docx openpyxl -i https://pypi.tuna.tsinghua.edu.cn/simple
# torch是transformers的依赖，用于模型计算；python-docx处理Word，openpyxl处理Excel

三、实战一：TextRank轻量工具（办公首选，开箱即用）

TextRank是办公场景的“性价比之王”，无需训练，只需3行代码就能实现摘要提取，我们从“单文本处理”到“批量处理”逐步实现。

步骤1：单文本摘要与关键词提取（核心代码）

以一段会议纪要为例，实现“提取3句摘要+5个关键词”的核心功能，代码可直接复制使用：

from textrank4zh import TextRank4Keyword, TextRank4Sentence

# 1. 准备测试文本（替换为你的会议纪要、报告等长文本）
long_text = """
2024年Q3产品迭代会议纪要：本次会议围绕Q3核心产品优化方向展开讨论，参会人员包括产品部、技术部、运营部负责人。
产品部提出，当前用户反馈聚焦在三个问题：一是APP启动速度慢，平均启动时间超过3秒，较行业均值高50%；二是搜索功能准确率低，用户搜索“优惠活动”时，常出现无关商品推荐；三是个人中心界面杂乱，核心功能入口不明显。
技术部回应，启动速度慢的核心缘由是缓存机制不合理，计划采用二级缓存架构优化，预计可将启动时间压缩至1.5秒以内；搜索准确率问题将引入新的分词算法，下周完成技术调研，本月内上线测试版本。
运营部提议，在优化功能的同时，配合开展“老用户召回”活动，结合优化后的搜索功能推送精准优惠，预计可提升30%的日活用户数。
会议明确各部门时间节点：技术部需在9月30日前完成启动速度和搜索功能的优化；运营部需在10月15日前完成召回活动方案并落地；产品部负责全程跟进进度，每周三召开进度同步会。
"""

# 2. 提取关键词（核心词）
tr4w = TextRank4Keyword()
tr4w.analyze(text=long_text, lower=True, window=2)  # window=2表明计算相邻2个词的关联
# 获取排名前5的关键词，包含词的权重（权重越高越重大）
keywords = tr4w.get_keywords(num=5, word_min_len=2)  # word_min_len=2过滤单字

# 3. 提取摘要（关键句）
tr4s = TextRank4Sentence()
tr4s.analyze(text=long_text, lower=True, source='all_filters')
# 获取排名前3的关键句作为摘要，设置摘要长度范围（可选）
summaries = tr4s.get_key_sentences(num=3, sentence_min_len=15)  # 过滤短句子

# 4. 输出结果
print("=== 提取的关键词 ===")
for keyword in keywords:
    print(f"词：{keyword.word}，权重：{keyword.weight:.4f}")

print("
=== 提取的摘要 ===")
summary_result = "。".join([sent.sentence for sent in summaries]) + "。"
print(summary_result)

# 5. 格式化输出（模拟办公场景的简洁结果）
print("
=== 办公版结果 ===")
print(f"【核心关键词】：{','.join([kw.word for kw in keywords])}")
print(f"【核心摘要】：{summary_result}")

运行结果说明：关键词会优先出现“产品”“优化”“启动速度”等核心词，摘要会提炼出“问题-解决方案-时间节点”的核心逻辑，完全符合人工提炼的思路。

步骤2：自定义调整（按需优化结果）

根据文本类型调整参数，让结果更贴合需求，列如学术论文需要更长摘要，新闻需要更精炼关键词：

# 自定义参数说明与调整示例
def extract_summary_keyword(text, 
                           keyword_num=5,    # 关键词数量，可设为3-10
                           summary_num=3,    # 摘要句数，可设为2-5
                           keyword_min_len=2,# 关键词最小长度，学术文本可设为3
                           summary_min_len=15):# 摘要句最小长度，新闻可设为10
    
    # 关键词提取
    tr4w = TextRank4Keyword()
    tr4w.analyze(text=text, lower=True, window=3)  # window=3适合长文本，关联更紧密
    keywords = tr4w.get_keywords(num=keyword_num, word_min_len=keyword_min_len)
    
    # 摘要提取
    tr4s = TextRank4Sentence()
    # source='all_filters' 过滤无意义句子，'no_filter' 保留所有句子
    tr4s.analyze(text=text, lower=True, source='all_filters')
    summaries = tr4s.get_key_sentences(num=summary_num, sentence_min_len=summary_min_len)
    
    # 结果整理
    result = {
        "keywords": [kw.word for kw in keywords],
        "keyword_weights": [kw.weight for kw in keywords],
        "summary": "。".join([sent.sentence for sent in summaries]) + "。",
        "summary_weights": [sent.weight for sent in summaries]
    }
    return result

# 测试：学术论文场景（更多关键词，更长摘要）
academic_text = """
深度学习在计算机视觉领域的应用已取得突破性进展。卷积神经网络（CNN）作为核心模型，通过局部感受野、权值共享等机制，有效提取图像的空间特征，在图像分类任务中实现了超过95%的准确率。
近年来，Transformer模型被引入计算机视觉领域，其自注意力机制能够捕捉全局特征关联，解决了CNN在长距离特征依赖上的不足。
基于Transformer的ViT（Vision Transformer）模型，将图像分割为多个patch，通过序列建模实现图像分类，在ImageNet数据集上的表现已超越传统CNN模型。
未来研究方向将聚焦于CNN与Transformer的融合架构，结合两者局部特征提取与全局关联捕捉的优势，进一步提升模型性能。
"""
# 调用自定义函数，适配学术场景
academic_result = extract_summary_keyword(
    text=academic_text,
    keyword_num=6,
    summary_num=4,
    keyword_min_len=3
)

print("=== 学术文本处理结果 ===")
print(f"关键词：{','.join(academic_result['keywords'])}")
print(f"摘要：{academic_result['summary']}")

四、实战二：预训练模型（高质量摘要，复杂文本首选）

对于小说片段、学术论文等复杂文本，TextRank的摘要可能缺乏连贯性，此时用Hugging Face的预训练模型（如“
uer/bart-base-chinese-cluecorpussmall”）效果更好，该模型专门针对中文文本优化：

步骤1：单文本高质量摘要生成

from transformers import pipeline, AutoTokenizer, AutoModelForSeq2SeqLM

# 1. 加载预训练模型和分词器（中文摘要专用模型）
model_name = "uer/bart-base-chinese-cluecorpussmall"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSeq2SeqLM.from_pretrained(model_name)

# 2. 构建摘要生成管道
summarizer = pipeline(
    "summarization",
    model=model,
    tokenizer=tokenizer,
    device=-1  # -1表明用CPU，若有GPU可设为0（速度提升5倍以上）
)

# 3. 准备复杂文本（以小说片段为例）
novel_text = """
林晓雨站在公司楼下的咖啡馆外，手里紧紧攥着那份刚刚打印好的离职申请。三个月前，她满怀憧憬地加入这家互联网大厂，成为产品经理团队的一员。
入职初期，她每天加班到深夜，精心打磨每一个产品方案，可每次汇报都被领导以“不够创新”驳回。上周，她提出的“老年用户专属功能”方案，被新来的实习生剽窃，领导却由于实习生是“名校毕业生”而偏袒对方。
此刻，咖啡馆的玻璃门反射出她疲惫的脸，她突然想起大学时导师说的话：“一份好的工作，应该让你看到成长，而不是消耗你的热烈。”
她深吸一口气，将离职申请塞进包里，转身走向公交站——她决定给自己放一个长假，然后重新寻找真正适合自己的舞台。
"""

# 4. 生成摘要（设置摘要长度范围）
summary = summarizer(
    novel_text,
    max_length=100,  # 摘要最大长度
    min_length=30,   # 摘要最小长度
    do_sample=False  # 不随机生成，保证结果稳定
)

# 5. 提取关键词（结合TextRank，兼顾效率与效果）
tr4w = TextRank4Keyword()
tr4w.analyze(text=novel_text, lower=True, window=2)
keywords = tr4w.get_keywords(num=4)

# 6. 输出结果
print("=== 预训练模型摘要结果 ===")
print(f"摘要：{summary[0]['summary_text']}")
print(f"关键词：{','.join([kw.word for kw in keywords])}")

结果优势：预训练模型生成的摘要会包含“林晓雨的经历+离职缘由+后续决定”的完整逻辑链，比TextRank更连贯，更贴近人类的叙事习惯。

步骤2：模型加速技巧（解决CPU速度慢问题）

如果用CPU运行预训练模型速度慢，可通过“模型量化”减小模型体积，提升运行速度，准确率几乎无损失：

from transformers import AutoModelForSeq2SeqLM

# 加载量化后的模型（仅需修改模型加载方式）
model = AutoModelForSeq2SeqLM.from_pretrained(
    model_name,
    load_in_8bit=True,  # 8位量化，模型体积减少75%，速度提升2-3倍
    device_map="auto"   # 自动分配设备
)

# 后续摘要生成代码与之前完全一致
summary_fast = summarizer(
    novel_text,
    max_length=100,
    min_length=30,
    do_sample=False
)

print("=== 量化后模型结果 ===")
print(f"摘要：{summary_fast[0]['summary_text']}")

五、实战三：办公落地——批量处理Word/Excel文本

将上述功能整合为批量处理工具，支持从Word/Excel中读取多条长文本，自动生成摘要和关键词并保存，直接对接办公场景：

场景1：批量处理Excel中的长文本

假设Excel中有“文档内容”列，批量生成“摘要”和“关键词”列并保存：

import pandas as pd

# 1. 读取Excel文件（替换为你的文件路径）
df = pd.read_excel("office_documents.xlsx")
print(f"读取到{len(df)}条文本数据")

# 2. 批量处理函数（整合TextRank，兼顾速度与办公需求）
def batch_process_excel(df, text_col="文档内容"):
    # 新增结果列
    df["摘要"] = ""
    df["关键词"] = ""
    
    for idx, row in df.iterrows():
        try:
            text = str(row[text_col])
            if text.strip() == "":
                df.loc[idx, "摘要"] = "无有效文本"
                df.loc[idx, "关键词"] = "无"
                continue
            
            # 提取摘要和关键词
            result = extract_summary_keyword(
                text=text,
                keyword_num=5,
                summary_num=3
            )
            
            # 填充结果
            df.loc[idx, "摘要"] = result["summary"]
            df.loc[idx, "关键词"] = ",".join(result["keywords"])
            
            # 进度提示
            if (idx + 1) % 10 == 0:
                print(f"已处理{idx + 1}条数据")
        except Exception as e:
            df.loc[idx, "摘要"] = f"处理错误：{str(e)[:20]}"
            df.loc[idx, "关键词"] = "处理错误"
    
    return df

# 3. 执行批量处理
result_df = batch_process_excel(df)

# 4. 保存结果到新Excel
result_df.to_excel("office_documents_with_summary.xlsx", index=False)
print("批量处理完成！结果已保存至 office_documents_with_summary.xlsx")

# 5. 简单统计
print(f"
统计信息：")
print(f"成功处理：{len(result_df[result_df['摘要'] != '处理错误'])}条")
print(f"处理失败：{len(result_df[result_df['摘要'].str.contains('处理错误')])}条")

场景2：批量处理Word文档

批量读取指定文件夹中的所有Word文档，提取内容后生成摘要和关键词，汇总保存到Excel：

import os
from docx import Document
import pandas as pd

# 1. 读取指定文件夹中的所有Word文档
word_folder = "word_documents"  # 替换为你的Word文件夹路径
word_files = [f for f in os.listdir(word_folder) if f.endswith(".docx")]
print(f"发现{len(word_files)}个Word文档")

# 2. 从Word中提取文本
def extract_text_from_word(file_path):
    doc = Document(file_path)
    full_text = []
    for paragraph in doc.paragraphs:
        if paragraph.text.strip():
            full_text.append(paragraph.text)
    return "
".join(full_text)

# 3. 批量处理
result_data = []
for file in word_files:
    file_path = os.path.join(word_folder, file)
    try:
        # 提取文本
        text = extract_text_from_word(file_path)
        # 提取摘要和关键词
        tr_result = extract_summary_keyword(text=text, keyword_num=5, summary_num=3)
        # 保存结果
        result_data.append({
            "文档名称": file,
            "原文内容": text[:500] + "..." if len(text) > 500 else text,  # 只保留前500字
            "摘要": tr_result["summary"],
            "关键词": ",".join(tr_result["keywords"])
        })
        print(f"已处理：{file}")
    except Exception as e:
        result_data.append({
            "文档名称": file,
            "原文内容": "读取失败",
            "摘要": f"错误：{str(e)[:20]}",
            "关键词": "处理错误"
        })
        print(f"处理失败：{file}，缘由：{str(e)[:30]}")

# 4. 转为DataFrame并保存
result_df = pd.DataFrame(result_data)
result_df.to_excel("word_documents_summary.xlsx", index=False)
print(f"
所有Word文档处理完成！结果汇总至 word_documents_summary.xlsx")