数据集收集器0.3

为了进一步完善代码，使其能够识别更多格式的问答对，并且在遇到无法识别的格式时能够跳过并继续处理下一个，我们可以采取以下措施：

增强正则表达式：支持更多的问答对格式。
增加容错处理：在遇到无法识别的格式时，记录错误并继续处理下一个。
多模式匹配：支持多种问答对的格式，例如 Q: 问题 A: 回答、问题: 回答、数字. 问题 等。
以下是改进后的代码：

import os
import json
import fitz  # PyMuPDF
import docx
import re

def clean_text(text):
    """ 清理文本，去除多余的空白字符和标点符号 """
    text = re.sub(r'\s+', ' ', text)  # 合并多个空白字符
    text = re.sub(r'[^\w\s]', '', text)  # 去除标点符号
    return text.strip()

def extract_qa_pairs_from_txt(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    content = clean_text(content)
    qa_pairs = extract_qa_pairs_from_content(content)
    return qa_pairs

def extract_qa_pairs_from_docx(file_path):
    doc = docx.Document(file_path)
    content = '\n'.join([para.text for para in doc.paragraphs])
    content = clean_text(content)
    qa_pairs = extract_qa_pairs_from_content(content)
    return qa_pairs

def extract_qa_pairs_from_pdf(file_path):
    doc = fitz.open(file_path)
    content = ''
    for page_num in range(len(doc)):
        page = doc.load_page(