这是「AI 之路进阶升级指南」第二周 Day 5 的配套练习。你需要先读完 Part 2，再回来动手。
Part 2 的 batch_summarize.py 能批量处理 .md 和 .txt 文件。但真实文件远不止这两种。PDF 报告、Word 合同、CSV 数据表、JSON 配置文件——它们就在你的桌面上，脚本却读不了。
今天做一件事：写一个 read_file() 函数，根据文件后缀自动选择读取方式，接进 Part 2 的批量脚本。
安装新的读取库
读 .txt 和 .md 只需要 Python 内置的 open()。读 PDF、Word 等格式需要第三方库。
在项目目录下执行：
uv add pypdf python-docx
pypdf 读 PDF（PyPDF2 是老名字，现在叫 pypdf），python-docx 读 Word 文档。csv 和 json 是 Python 内置模块，不用装。
逐个击破：四种格式的读取方式
1. PDF：pypdf
from pypdf import PdfReader
def read_pdf(filepath):
reader = PdfReader(filepath)
text = ""
for page in reader.pages:
text += page.extract_text() or ""
return text
PDF 的每一页是一个对象，extract_text() 把页面内容提取为纯文本。有些 PDF 是扫描件（图片形式的），extract_text() 会返回空字符串，这种需要 OCR 才能处理，今天不涉及。
2. Word (.docx)：python-docx
from docx import Document
def read_docx(filepath):
doc = Document(filepath)
paragraphs = [p.text for p in doc.paragraphs]
return "\n".join(paragraphs)
Word 文档的内容按段落存储。这里只读正文段落，不读表格和页眉页脚。对于大多数文档来说够用了。
3. CSV：csv 模块（内置）
import csv
def read_csv(filepath):
with open(filepath, "r", encoding="utf-8") as f:
reader = csv.reader(f)
rows = list(reader)
# 把每行拼成字符串，用 | 分隔
return "\n".join(" | ".join(row) for row in rows)
CSV 的本质是表格。把每行用 | 连接，AI 就能理解成结构化文本。如果 CSV 包含中文，encoding="utf-8" 别漏。
4. JSON：json 模块（内置）
import json
def read_json(filepath):
with open(filepath, "r", encoding="utf-8") as f:
data = json.load(f)
return json.dumps(data, ensure_ascii=False, indent=2)
json.load() 把文件解析成 Python 对象（字典或列表），json.dumps() 再转回可读字符串。ensure_ascii=False 保证中文不会被转义成 \uXXXX——如果忘了加这个参数，你看到的会是一堆 \u4f60\u597d。
合成一个统一函数
现在把四种格式装进一个函数，根据文件后缀自动分派：
import os
import csv
import json
from pypdf import PdfReader
from docx import Document
def read_file(filepath):
"""根据文件后缀自动选择读取方式，返回纯文本"""
ext = os.path.splitext(filepath)[1].lower()
if ext in (".txt", ".md"):
with open(filepath, "r", encoding="utf-8") as f:
return f.read()
elif ext == ".pdf":
reader = PdfReader(filepath)
text = ""
for page in reader.pages:
text += page.extract_text() or ""
return text
elif ext == ".docx":
doc = Document(filepath)
return "\n".join(p.text for p in doc.paragraphs)
elif ext == ".csv":
with open(filepath, "r", encoding="utf-8") as f:
rows = list(csv.reader(f))
return "\n".join(" | ".join(row) for row in rows)
elif ext == ".json":
with open(filepath, "r", encoding="utf-8") as f:
data = json.load(f)
return json.dumps(data, ensure_ascii=False, indent=2)
else:
raise ValueError(f"不支持的格式: {ext}")
os.path.splitext() 提取后缀，lower() 统一小写，if/elif 分派到对应的读取逻辑。
接进 Part 2 的批量脚本
把 read_file() 替换掉 Part 2 的 batch_summarize.py 里的 open(...).read()，再把文件匹配从 *.md + *.txt 扩展到更多格式。完整脚本如下：
import os
import glob
import csv
import json
from dotenv import load_dotenv
from openai import OpenAI
from pypdf import PdfReader
from docx import Document
load_dotenv()
api_key = os.environ.get("DEEPSEEK_API_KEY")
if not api_key:
raise ValueError("未设置 DEEPSEEK_API_KEY，请检查 .env 文件。")
client = OpenAI(
api_key=api_key,
base_url="https://api.deepseek.com"
)
def read_file(filepath):
"""根据文件后缀自动选择读取方式"""
ext = os.path.splitext(filepath)[1].lower()
if ext in (".txt", ".md"):
with open(filepath, "r", encoding="utf-8") as f:
return f.read()
elif ext == ".pdf":
reader = PdfReader(filepath)
return "".join(page.extract_text() or "" for page in reader.pages)
elif ext == ".docx":
doc = Document(filepath)
return "\n".join(p.text for p in doc.paragraphs)
elif ext == ".csv":
with open(filepath, "r", encoding="utf-8") as f:
rows = list(csv.reader(f))
return "\n".join(" | ".join(row) for row in rows)
elif ext == ".json":
with open(filepath, "r", encoding="utf-8") as f:
data = json.load(f)
return json.dumps(data, ensure_ascii=False, indent=2)
else:
raise ValueError(f"不支持的格式: {ext}")
def summarize_file(input_path, output_dir):
"""读取文件，调用 API 总结，保存结果"""
content = read_file(input_path)
if not content.strip():
print("跳过（内容为空）")
return
response = client.chat.completions.create(
model="deepseek-v4-flash",
messages=[
{"role": "system", "content": "你是一个文档总结助手。请用3个简洁的要点总结用户提供的文本。"},
{"role": "user", "content": content}
],
temperature=0.3,
max_tokens=500
)
filename = os.path.splitext(os.path.basename(input_path))[0] + ".md"
output_path = os.path.join(output_dir, filename)
with open(output_path, "w", encoding="utf-8") as f:
f.write(response.choices[0].message.content)
def main():
input_dir = "documents"
output_dir = "summaries"
if not os.path.exists(input_dir):
print(f"错误：找不到输入目录 '{input_dir}'")
return
# 匹配所有支持的格式
extensions = ["*.txt", "*.md", "*.pdf", "*.docx", "*.csv", "*.json"]
files = []
for ext in extensions:
files += glob.glob(os.path.join(input_dir, ext))
if not files:
print(f"错误：'{input_dir}' 里没有可处理的文件")
return
os.makedirs(output_dir, exist_ok=True)
print(f"准备处理 {len(files)} 个文件...")
print(f"输入: {input_dir}/")
print(f"输出: {output_dir}/")
print("-" * 40)
for i, filepath in enumerate(files, 1):
filename = os.path.basename(filepath)
print(f"[{i}/{len(files)}] {filename}", end=" ")
try:
summarize_file(filepath, output_dir)
print("OK")
except Exception as e:
print(f"失败: {e}")
continue
print("-" * 40)
print(f"完成！结果保存在 {output_dir}/")
if __name__ == "__main__":
main()
改动集中在三处：
读取方式。 summarize_file() 里的 open(...).read() 换成了 read_file(input_path)，函数会根据后缀自动选择读取逻辑。
文件匹配。 glob.glob() 的匹配列表从 *.md + *.txt 扩展到了 6 种格式。
输出文件名。 所有总结结果统一存为 .md 文件（文件名.md），不管输入是 PDF 还是 CSV。这样用 Markdown 编辑器就能直接阅读所有结果。
还有一个细节：加了 content.strip() 判断。有些 PDF 的文本提取结果是空的（扫描件），遇到空内容直接跳过，不浪费 API 调用。
动手试试
在 documents/ 文件夹里放几种不同格式的文件——随便找一个 PDF、一个 Word 文档、一个 CSV 都行。然后运行：
uv run python batch_summarize.py
你会看到脚本自动识别了每种格式，逐个处理。到 summaries/ 文件夹看结果。
试着加一个 .json 文件进去。比如创建 documents/config.json：
{
"name": "AI 工具箱",
"version": "1.0",
"features": ["批量处理", "多格式读取", "错误重试"]
}
再跑一次，看看 AI 怎么总结 JSON 的内容。
今天做到的事
- 安装了
pypdf和python-docx两个读取库 - 学会了 PDF、Word、CSV、JSON 四种格式的读取方式
- 写了统一的
read_file()函数，根据后缀自动分派 - 把它接进了 Part 2 的批量脚本，现在能处理 6 种文件格式
下一步：Day 6 选一个真实场景（翻译、摘要、改写），跑通完整的批量处理流程。
脚本跑不起来？先看错误信息（不要贴 API Key），检查 .env 文件位置、文件夹名、网络连接。