用 GPT API 批量总结 PDF、Word 文档
一句话： 把文档放进一个文件夹，运行 python summarize_docs.py 文件夹，几分钟后得到一张 summary.csv：每个文件一行，包括标题、一句话摘要、要点、关键词。还能加 --question "有哪些需要跟进的事项？"，让它对每份文档回答同一个问题。
更新于 2026-10，脚本在 HiveGPT 上实际跑过：PDF、Word、Markdown 各一份，每份约 5000 token，用
gpt-6-luna每份不到 $0.001。
适合做什么
- 一堆会议纪要、周报，快速看每份讲了什么、有哪些待办；
- 投标文件、合同、制度文件，先过一遍摘要再挑重点细读；
- 论文、行业报告，批量提取结论和关键词；
- 客户反馈、访谈记录，统一回答「客户最不满意什么」。
准备
bash
pip install -U openai python-docx
export HIVEGPT_API_KEY="sk-你的Key" # Windows CMD：set HIVEGPT_API_KEY=sk-你的KeyKey 在 API 密钥 页创建，分组选 GPT 类分组。
脚本
保存为 summarize_docs.py：
python
"""批量总结一个文件夹里的 PDF / Word / txt / md 文档，结果写进 summary.csv（Excel 可直接打开）。
用法：
pip install -U openai python-docx
python summarize_docs.py 文件夹路径
python summarize_docs.py 文件夹路径 --model gpt-6.1-sol --question "这份材料对我们的产品有什么启发？"
"""
import argparse, base64, csv, json, os, sys, time
from concurrent.futures import ThreadPoolExecutor
from pathlib import Path
from openai import OpenAI
client = OpenAI(base_url="https://hivegpt.cn/v1", api_key=os.environ["HIVEGPT_API_KEY"], timeout=300)
WORKERS = 3 # 同时处理几个文件；遇到 429 就调小
MAX_CHARS = 60_000 # Word / 文本只取前这么多字，防止超长文档花太多钱
SCHEMA = {
"type": "object",
"properties": {
"title": {"type": "string", "description": "文档标题，没有就根据内容起一个"},
"summary": {"type": "string", "description": "一句话摘要，50 字以内"},
"key_points": {"type": "array", "items": {"type": "string"}, "description": "3 到 5 条要点"},
"keywords": {"type": "array", "items": {"type": "string"}},
"answer": {"type": "string", "description": "对用户问题的回答；没有问题就留空"},
},
"required": ["title", "summary", "key_points", "keywords", "answer"],
"additionalProperties": False,
}
def file_content(path: Path):
"""把文件变成消息里的一段内容：PDF 整个发过去，其他格式取文字。"""
ext = path.suffix.lower()
if ext == ".pdf":
data = base64.b64encode(path.read_bytes()).decode()
return {"type": "file", "file": {"filename": path.name, "file_data": "data:application/pdf;base64," + data}}
if ext == ".docx":
import docx # pip install python-docx
doc = docx.Document(str(path))
text = "\n".join(p.text for p in doc.paragraphs)
for table in doc.tables: # 表格里的文字也带上
for row in table.rows:
text += "\n" + " | ".join(cell.text for cell in row.cells)
else:
text = path.read_text(encoding="utf-8", errors="ignore")
return {"type": "text", "text": f"文件名：{path.name}\n\n{text[:MAX_CHARS]}"}
def summarize(path: Path, model: str, question: str):
prompt = "阅读这份文档，按要求的格式输出中文总结。"
if question:
prompt += f"\n另外回答这个问题（写在 answer 里）：{question}"
for attempt in range(3):
try:
resp = client.chat.completions.create(
model=model,
messages=[{"role": "user", "content": [file_content(path), {"type": "text", "text": prompt}]}],
response_format={"type": "json_schema", "json_schema": {"name": "doc", "strict": True, "schema": SCHEMA}},
reasoning_effort="low",
)
r = json.loads(resp.choices[0].message.content)
r["file"], r["tokens"] = path.name, resp.usage.total_tokens
print(f"✓ {path.name}（{resp.usage.total_tokens} token）", file=sys.stderr)
return r
except Exception as e:
print(f" {path.name} 出错：{e}，重试", file=sys.stderr)
time.sleep(2 ** attempt)
return {"file": path.name, "title": "", "summary": "处理失败", "key_points": [], "keywords": [], "answer": "", "tokens": 0}
def main():
ap = argparse.ArgumentParser()
ap.add_argument("folder")
ap.add_argument("--model", default="gpt-6-luna")
ap.add_argument("--question", default="")
args = ap.parse_args()
files = sorted(p for p in Path(args.folder).iterdir() if p.suffix.lower() in {".pdf", ".docx", ".txt", ".md"})
print(f"共 {len(files)} 个文件", file=sys.stderr)
with ThreadPoolExecutor(WORKERS) as pool:
results = list(pool.map(lambda p: summarize(p, args.model, args.question), files))
with open("summary.csv", "w", newline="", encoding="utf-8-sig") as f: # utf-8-sig：Excel 打开不乱码
w = csv.writer(f)
w.writerow(["文件", "标题", "一句话摘要", "要点", "关键词", "问题回答", "token"])
for r in results:
w.writerow([r["file"], r["title"], r["summary"], "\n".join(r["key_points"]), "、".join(r["keywords"]), r["answer"], r["tokens"]])
print(f"完成：summary.csv，共用 {sum(r['tokens'] for r in results)} token", file=sys.stderr)
if __name__ == "__main__":
main()运行
bash
python summarize_docs.py ./文档
python summarize_docs.py ./文档 --question "有哪些需要跟进的事项？"
python summarize_docs.py ./合同 --model gpt-6.1-sol --question "付款条件和违约责任是什么？"实测结果（summary.csv 用 Excel 打开）：
| 文件 | 一句话摘要 | 问题回答（有哪些需要跟进的事项？） |
|---|---|---|
| 周会纪要.md | 小程序 2.0 延期一周；新增注册环比增长 18%；下周上线客服机器人并修复安卓闪退。 | 推进支付接口重新审核并调整上线计划；完成客服机器人上线；修复安卓闪退。 |
| 弹性工作制通知.docx | 研发中心自 11 月 1 日试行弹性工作制三个月，期满评估是否推广。 | 安排每周三全员到岗及部门例会；试行三个月后汇总考勤和问卷结果。 |
脚本是怎么处理不同格式的
- PDF：整个文件转成 base64 直接发给模型（
{"type": "file", ...}），不用装 PDF 解析库，扫描件、表格也能读。见 看图识图 / 读 PDF。 - Word（.docx）：用 python-docx 取出正文和表格里的文字。老的
.doc格式先用 Word / WPS 另存为.docx。 - txt / md：直接读文字。
- 结构化输出：用 JSON Schema 规定好要返回哪些字段，结果稳定，可以直接写进表格。
花多少钱
花费主要看文档长度。实测一份一页的文档约 5000 token（其中约 4500 是每次请求固定的开销），之后每多一页约多 1000 token，PDF 每页还会按页面图片多算一些。
| 模型 | 一份 10 页的文档约 | 100 份约 |
|---|---|---|
gpt-6-luna | $0.002 | $0.2 |
gpt-6.1-sol | $0.03 | $3 |
先用 gpt-6-luna 跑几份看效果，要求高（合同、论文）再换 gpt-6.1-sol。超长文档脚本只取前 6 万字（MAX_CHARS），需要全文就调大，或先拆分。
常见问题
| 现象 | 原因 | 处理 |
|---|---|---|
ModuleNotFoundError: docx | 没装 python-docx | pip install python-docx（注意不是 pip install docx） |
| Excel 打开 CSV 乱码 | 编码问题 | 脚本已用 utf-8-sig；用 WPS 或「数据 → 从文本导入」选 UTF-8 |
| 413 请求内容太大 | PDF 太大（几十 MB） | 拆分 PDF 或压缩后再处理 |
| 上下文太长 | 文档超出模型上限 | 调小 MAX_CHARS，或拆成几个文件，见 上下文太长 |
| 429 | 并发太多 | 把 WORKERS 调到 1，见 429 报错 |
| 某个文件「处理失败」 | 文件损坏、加密或格式不支持 | 单独打开检查；加密 PDF 先解除密码 |
| 摘要里有原文没有的内容 | 模型「编」了 | 提示词里加「只根据文档内容回答，没提到的写『未提及』」，重要内容人工核对 |
数据安全吗？ 文档内容会发送到接口进行处理。涉密或含个人隐私的文件，请按你所在单位的规定决定是否使用。
更多：批量翻译字幕 · 批量处理 Excel · 看图识图 / 读 PDF · Python 完整示例