DOCX 文档查重工具
比较两个 Word 文档（.docx），找出重复的文本段落和重复的图片。
什么时候用
- 用户说"帮我查一下这两个 Word 文档内容有没有重复"
- 比较同一文档的不同版本，找出新增/重复内容
- 需要定位跨文档的重复图片
快速开始
# 最基本用法：比较两个 docx
python scripts/compare_docx.py --file1 文档A.docx --file2 文档B.docx
# 指定输出目录
python scripts/compare_docx.py --file1 文档A.docx --file2 文档B.docx --output ./对比结果
功能说明
| 模式 | 说明 | 阈值 |
|---|---|---|
| 精确匹配 | 标准化后完全相同的段落 | 100% |
| 模糊匹配 | 相似度超过阈值的段落 | ≥95% |
| 图片查重 | 通过 MD5 哈希值比较图片 | 100% |
输出
*_标记重复.docx— 高亮标记了重复文字的原始文档*_标记图片重复.docx— 标注了重复图片的原始文档*_重复报告.txt— 纯文本详细对比报告
脚本参数
python scripts/compare_docx.py \
--file1 <路径> # 必需：第一个文档
--file2 <路径> # 必需：第二个文档
--output <目录> # 可选：输出目录（默认同目录）
--mode all|text|image # 可选：检查模式（默认 all）
--threshold 0.95 # 可选：模糊匹配相似度阈值（默认 0.95）
依赖
python-docx用于读写 DOCX 文件difflib（标准库）用于模糊匹配hashlib（标准库）用于图片 MD5 计算
安装依赖：
pip install python-docx
常见陷阱
- 仅支持
.docx格式，不支持旧版.doc（需要先转换） - 图片重复检测基于文件内容（MD5），同一张图被不同文件名存储会被判定为重复
- 段落模糊匹配使用
difflib.SequenceMatcher，CPU 开销随段落数平方增长 - 输出 DOCX 使用黄色高亮标记，不会修改原始文档
- 中文段落含混合标点时，模糊匹配效果可能低于预期
相关 Skill
word-docx— 通用 Word 文档创建、编辑、格式调整
Feedback
- 如果觉得有用：
clawhub star docx-compare - 保持更新：
clawhub sync