Sensitive Word Checker Skill v3（内置词库版）
Purpose
检查文件（PDF、Word、Excel）中的敏感/禁用词，仅对匹配的敏感词本身标黄（非整段/整句标黄），输出标注后的文件。
When to Use
- 用户要求对文件进行敏感词筛查/审核
- 合同审核或文档合规检查
- 触发关键词：敏感词、禁用词、检查、审核、标注、标黄
Workflow
Step 1: 收集信息
从用户处获取：
- 待检测文件：PDF、Word（.docx）或 Excel（.xlsx/.xls）
- 敏感词库（可选）：默认使用内置词库（9类65个词条）；也可指定外部 .docx 词库文件
- 输出位置：默认桌面
Step 2: 运行检测脚本
使用内置词库（推荐，无需额外文件）：
python sensitive_word_checker.py --input <待检文件> --output <输出目录>
使用外部词库文件：
python sensitive_word_checker.py --words <敏感词库.docx> --input <待检文件> --output <输出目录>
参数说明：
| 参数 | 说明 | 是否必填 |
|---|---|---|
--input |
待检测文件路径 | 必填 |
--words |
敏感词库文件路径（.docx） | 可选，不填则用内置词库 |
--output |
输出目录（默认桌面） | 可选 |
Step 3: 输出结果
- Word文件：
.docx— 仅敏感词文字本身标黄（黄色底色+黄色字体高亮） - Excel文件：
.xlsx— 含敏感词的单元格标黄 - PDF文件：
.pdf— 敏感词区域添加黄色高亮注释
内置敏感词库（9类65词）
| 类别 | 敏感词 |
|---|---|
| 高规格名号 | 中国、中华、国家、全国、国际、世界、全球、环球、亚洲、中外、海外、中西、自贸港、峰会、高端、高峰、巅峰、多双边机制 |
| 会议名称 | 分论坛、卫星会、论坛、讲座、讲坛、大会、年会、报告会、研讨会、培训班、上市会、推介会、研讨班 |
| 评奖活动 | 评比、评选、赛、大赛、海选、奖励、奖、示范、表彰、标杆、比拼、达标、植入、学分、案例 |
| 企业专题 | 企业专题会 |
| 名称包含 | 产品名、商品名 |
| 报社文本 | 讲者幻灯 |
| 茶歇宴会 | 茶歇、宴会、宴请 |
| 收费合同 | 软文、报道、硬广、采访、新闻、稿件、文章、字数、记者、驻地记者 |
| 其他 | 授牌、飞检 |
核心改进（v1 → v2 → v3）
| 项目 | v1（旧版） | v2（精确标黄） | v3（内置词库） |
|---|---|---|---|
| 标黄精度 | 整个run/段落标黄 | 仅敏感词文字本身标黄 | 同v2 |
| 词库来源 | 需外部文件 | 需外部文件 | 内置65词，开箱即用 |
| 词库格式 | 仅支持简单列表 | 支持【严禁】分类格式 + 表格 | 内置 + 仍支持外部文件 |
| --words参数 | 必填 | 必填 | 可选 |
Python Script Location
脚本位于当前 skill 目录下的 scripts/sensitive_word_checker.py。
运行前先确保已安装依赖：
pip install python-docx openpyxl pypdf2 pymupdf
Notes
- 匹配不区分大小写
- 支持部分匹配（如"广告"可命中"广告投放"）
- 长词优先匹配（避免短词误吞长词的一部分）
- 自动合并重叠匹配区间
- 保持原文档格式不变