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#

bash

# 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#

text

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：

bash

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