企业AI知识库的文件解析痛点-Word格式解析优化（准确率95%）-100%开源-优快云博客

本文链接：https://blog.youkuaiyun.com/Python_cocola/article/details/149546185

一、前言

在大模型和RAG（检索增强生成）技术飞速发展的今天，企业AI知识库建设已成为AI落地的核心战场。而文件解析是所有参与做企业AI知识库开发者所避免不了的难题。

本文将结合我在开发TorchV AIS企业级AI知识库产品中碰到的解析Word的问题，将Word文档（.doc及.docx）高效、准确地转换为Web友好格式（Markdown/HTML）优化目标的方案进行分享。结合目前的实际解决方案（依靠Apache Tika/POI）,详细阐述一种创新的、具备行业领先水平的解决方案。通过实现一套完全基于表格结构、无需硬编码的通用算法，完美解决了.doc和.docx格式中的复杂表格解析问题，确保转换后的HTML与源文件在视觉和结构上高度一致。

二、Word文档解析：企业AI知识库的隐形瓶颈？

据我们的调研和实践经验：

1、两种文件格式，两种世界

.docx格式：基于Office Open XML (OOXML) 标准，本质是一个ZIP压缩包，内部包含描述文档结构的XML文件。表格的合并信息（如gridSpan、vMerge）在XML中有明确定义，解析相对规范。
.doc格式：是微软私有的二进制格式，内部结构复杂、缺乏公开的完整文档。通过POI的HWPFDocument模块进行解析时，获取到的表格信息非常原始，几乎不直接提供合并单元格的完整信息。

2、传统工具的局限

大多数转换工具在处理.doc格式时，无法准确还原rowspan和colspan
它们通常会把合并单元格下的空单元格渲染成独立的`，导致表格"散架"
为了绕过难题，一些方案采取"扁平化"策略，即复制合并单元格的内容来填充所有被合并的单元格，但这破坏了表格的原始结构

3、企业现状

90%的企业仍然有大量的Word格式需要导入企业AI知识库，特别是金融、政府领域的客户对于doc老文件格式的诉求。
传统解析方案的表格准确率普遍较低，特别是在处理合并单元格时
表格信息的丢失或错误直接导致企业AI知识库系统对业务关键信息的理解偏差，导致大模型回答准确度大大降低
现有开源工具要么功能简陋，要么商业化程度高，开发者缺乏可控的解决方案

三、企业AI知识库的诉求

对于做企业AI知识库的服务商而言，Word的解析是一个全面综合去考虑分析的一个问题。对于我们而言，我们考虑的主要方向包括：

1、解析格式需要支持doc\docx两种格式

我知道现有的很多开源工具、商业产品在处理Word格式上，对于解析doc格式都倍感恼火。感觉这么一个上世纪微软留下的产物，让开发者恨的牙痒痒，不亚于10年前开发者去解决IE6的各种兼容性问题。然而在我们的客户里面，特别是金融、政府领域的客户,依然存在着大量的老的doc的格式文件，这些文件依然是企业的数字资产，在AI时代，都需要坐上这趟高速列车，把数据装载进入企业AI知识库里面，发挥知识的价值。

2、Word文档能够解析提取成Markdown格式,提取的元素包括：(文档Header、表格、图片）

企业AI知识库最关心的是“知识的结构化”。解析文档的目标不只是转换文本，更是为了“识别并提取有价值的知识结构”。因此：

文档头信息（如标题、章节、层级结构）需准确提取并转化为 Markdown 标题（#、## 等）；
段落、列表、加粗/斜体等格式也应保留，确保语义清晰、上下文连贯；
引用和脚注等内容建议标准化处理，支持企业在QA和文档搜索场景中进行深度挖掘。

3、表格的内容需要用Html呈现，解决合并(rowspan/colspan)单元格的问题

Markdown 表格天生不支持合并单元格（rowspan/colspan），而这正是企业文档中极为常见的复杂表格结构（如绩效考核表、组织结构、流程图表等）：

采用 HTML 格式解析表格内容，能完整保留表格的合并信息；
这样在知识回显、检索结果展示以及大模型上下文学习时，能确保原貌还原；
可为后续编辑器的“所见即所得”功能打下良好基础。

TorchV AIS企业AI知识库，提供了强大的富文本编辑器，对于Word的格式内容，对于表格内容就需要解析成标准的Html格式进行展现,丰富企业的知识二次加工创作。

4、图片正确提取，并且图片的和文档内容上下位置正确。

Word 中的图文混排结构（例如图解流程、插图说明等）是许多专业知识文档的重要组成：

图片应 以URL链接 保留，确保知识库中可以复现图文内容；
同时还要 保持图片在文档中的原始顺序和上下文位置，不能打乱段落与图片的对应关系；
若有 Alt 文本或说明文字，也需提取出来作为附加语义数据。
必要情况下可以灵活利用外部工具（OCR/多模态等）对图片进行深度理解，能够扩展当前的图片语义，提升问答精准度

5、性能以及成本考虑

不同企业对解析能力的投入存在差异，因此服务端需提供灵活选择：

GPU/CPU的双重选择，有钱的可以无脑上GPU模型版本，驱动解析Word文档。
解析的性能效率,高效转换以及向量嵌入的转化。在不同的成本下的考虑以及解析的效果综合评估

四、TorchV技术实现路径："预处理+注入"策略

TorchV目前采用Java语言开发，在底层技术栈上，对于Word的解析，目前恰好有2个非常好的开源软件可以利用：

Apache Tika：提供了多种文档解析的统一封装，开发者无需关心底层的细节，只需要统一调用就可以。
Apache POI：能够处理Office套件的文件解析，包括doc、docx格式的解析。

虽然在底层技术支持上，这2个组件已经可以做的非常好了，但是对于上面我们第二点(企业AI知识库)的诉求,我们还是需要手工干预一下，才能解析得到我们想要的结果。

1、这2个工具在表格的处理、图片的处理提取上面，默认的策略都不太能满足我们的诉求，因此需要做更深层次的定制改动。

2、我们依赖上面这两个组件做优化，这2个组件在CPU环境下能够快速的解析处理，所依赖的服务资源非常少的

1. FileMagic：差异化处理策略

对于doc/docx，我们需要从底层做差异处理，两种格式是完全不一样的解析策略，针对不同格式采用不同的解析方案：

// 检测文件格式
FileMagicfileMagic= FileMagicUtils.checkMagic(wordFile);
if (fileMagic == FileMagic.UNKNOWN) {
    Stringsuffix= FileUtil.getSuffix(wordFile.getName());
    if (StrUtil.equalsIgnoreCase(suffix, "docx")) {
        fileMagic = FileMagic.OOXML;
    } elseif (StrUtil.equalsIgnoreCase(suffix, "doc")) {
        fileMagic = FileMagic.OLE2;
    }
}

log.info("检测到文件格式: {}, 文件: {}", fileMagic, wordFile.getAbsolutePath());

// 根据文件格式选择不同的处理方式
switch (fileMagic) {
    case OOXML -> {
        // DOCX 格式 - 使用自定义表格解析器
        log.info("DOCX格式使用自定义表格解析器");
        transfer = processDocxWithHtmlTable(wordFile, target);
    }
    case OLE2 -> {
        // DOC 格式 - 使用新的HTML表格支持
        transfer = processDocWithHtmlTable(wordFile, target);
    }
    default -> {
        log.warn("不支持的文件格式: {}, 使用默认处理方式", fileMagic);
        // 回退到原始转换
        target = toMarkdown(wordFile, pictures);
        transfer = true;
    }
}

2. DOCX格式处理策略

核心思路：利用DOCX格式的标准化特性，采用"预处理+替换"模式

利用WordTableParser类，单独精准解析docx格式中的所有表格。然后在Tika处理完的Content内容上，做replace替换。

private staticbooleanprocessDocxWithHtmlTable(File docxFile, File target) {
    // 1. 预处理阶段：使用WordTableParser精准解析表格
    XWPFDocumentdocument=newXWPFDocument(inputStream);
    WordTableParserwordTableParser=newWordTableParser();
    List<String> customTablesHtmlList = wordTableParser.parseToHtmlList(document);
    
    // 2. 常规解析：使用Tika进行流式解析
    AutoDetectParserparser=newAutoDetectParser();
    parser.parse(parseStream, textHandler, metadata, parseContext);
    
    // 3. 智能替换：用精准的表格HTML替换Tika的粗糙输出
    StringfinalContent= replaceTablesWithCustomHtmlList(tikaContent, customTablesHtmlList);
}

因为docx格式是相对标准的格式，POI在底层上给我们封装了非常强大的上层API供开发者调用，能够拿到docx中的所有table元素对象，这样让我们在处理表格合并时更方便。

public classWordTableParser {
    
    privatefinal CellMergeAnalyzer cellMergeAnalyzer;
    privatefinal HtmlTableBuilder htmlTableBuilder;
    
    publicWordTableParser() {
        this.cellMergeAnalyzer = newCellMergeAnalyzer();
        this.htmlTableBuilder = newHtmlTableBuilder();
    }
    
    publicWordTableParser(CellMergeAnalyzer cellMergeAnalyzer, HtmlTableBuilder htmlTableBuilder) {
        this.cellMergeAnalyzer = cellMergeAnalyzer;
        this.htmlTableBuilder = htmlTableBuilder;
    }
   
   /**
     * 解析 Word 文档中的所有表格为 HTML
     */
    public String parseToHtml(XWPFDocument document) {
      // 拿到所有table
        List<XWPFTable> tables = document.getTables();
        log.info("开始解析Word表格，共 {} 个表格", tables.size());
        
        StringBuilderhtml=newStringBuilder();
        for (inti=0; i < tables.size(); i++) {
            XWPFTabletable= tables.get(i);
            log.info("解析第 {} 个表格，包含 {} 行", i + 1, table.getRows().size());
            
            html.append(parseTableToHtml(table));
            
            if (i < tables.size() - 1) {
                html.append("<br/><br/>\n");
            }
        }
        
        return html.toString();
    }
// more....   
}

我们在处理docx格式时，抽象一个CellMergeAnalyzer的来处理表格合并的情况。

3. DOC格式处理策略

核心思路：直接在解析过程中注入我们的表格处理逻辑

扩写Tika下的Handler模块，单独处理doc格式的文件。

private staticbooleanprocessDocWithHtmlTable(File docFile, File target) {
    // 使用专门的DOC内容处理器
    DocMarkdownWithHtmlTableContentHandlerhandler=newDocMarkdownWithHtmlTableContentHandler();
    handler.setCurrentDocument(document);
    
    // 在解析过程中实时应用我们的表格算法
    DocXMarkdownWithHtmlTableContentHandlertextHandler=
        newDocXMarkdownWithHtmlTableContentHandler(handler, metadata);
}

doc格式和docx天然差异，可以算是一个新文件类型也不为过，对于表格的解析合并内容，会有明显的不同。

主要体现在提取的Table元素，并不能很好的获取单元格合并信息，需要有一套通用的合并单元格识别算法

我们的在DocumentTableParser实现了完全基于表格结构特征的通用算法，不依赖任何具体内容：

1. 数据结构构建

// 构建表格数据矩阵
String[][] cellContents = new String[numRows][];
int[] rowCellCounts = new int[numRows];

2. 列合并检测算法

private staticintdetectColspanByStructure(int rowIndex, int cellIndex, 
        String[][] cellContents, int[] rowCellCounts, int maxCols) {
    
    intcurrentRowCells= rowCellCounts[rowIndex];
    
    // 如果当前行只有1个单元格，占满整行
    if (currentRowCells == 1) {
        return maxCols;
    }
    
    // 智能分配列数
    intaverageColspan= maxCols / currentRowCells;
    intremainingCols= maxCols % currentRowCells;
    
    // 最后一个单元格处理剩余空间
    if (cellIndex == currentRowCells - 1 && remainingCols > 0) {
        return averageColspan + remainingCols;
    }
    
    return averageColspan > 0 ? averageColspan : 1;
}

3. 行合并检测算法

private staticintdetectRowspanByStructure(int rowIndex, int cellIndex, 
        String cellText, String[][] cellContents, int[] rowCellCounts) {
    
    // 检查向下相邻行的对应位置
    introwspan=1;
    for (intnextRow= rowIndex + 1; nextRow < cellContents.length; nextRow++) {
        StringnextCellText= cellContents[nextRow][cellIndex];
        
        if (nextCellText.trim().isEmpty()) {
            // 进一步验证：检查该行是否有其他内容
            booleanhasContentInRow=false;
            for (inti=0; i < rowCellCounts[nextRow]; i++) {
                if (!cellContents[nextRow][i].trim().isEmpty()) {
                    hasContentInRow = true;
                    break;
                }
            }
            
            if (hasContentInRow) {
                rowspan++;
            } else {
                break; // 整行为空，不是rowspan
            }
        } else {
            break; // 遇到非空单元格，rowspan结束
        }
    }
    
    return rowspan;
}

4. 智能跳过算法

private staticbooleanshouldSkipCellByStructure(int rowIndex, int cellIndex, 
        String cellText, String[][] cellContents, int[] rowCellCounts) {
    
    // 向上查找可能的rowspan源
    for (intprevRow= rowIndex - 1; prevRow >= 0; prevRow--) {
        if (cellIndex < rowCellCounts[prevRow]) {
            StringprevCellText= cellContents[prevRow][cellIndex];
            
            if (!prevCellText.trim().isEmpty()) {
                // 重新计算该单元格的rowspan
                intcalculatedRowspan= calculateRowspanFromPosition(
                    prevRow, cellIndex, cellContents, rowCellCounts);
                
                // 判断是否覆盖到当前行
                if (prevRow + calculatedRowspan > rowIndex) {
                    returntrue; // 跳过被占用的单元格
                }
            }
        }
    }
    
    returnfalse;
}

五、解析效果验证

我让大语言模型帮我创建了30种不同格式的复杂表格类型，包括上下单元格合并、跨页表格、左右单元格合并等多种复杂的情况，验证了doc/docx两种格式。主要表现如下：

✅ 完美识别rowspan和colspan合并单元格
✅ 准确保留所有表格内容，无丢失现象
✅ 正确处理跨页表格和复杂嵌套结构
✅ 支持任意语言和字符集的表格内容
✅ 在.doc和.docx格式上表现一致(目前doc格式无法提取markdown的header标题)
✅ 正确提取图片以及图片位置正确

在31个复杂表格情况下，对于表格的合并情况：

✅ 数据无错误,表格内容没错误的情况比例:30/31=96.8%

包含数据完全正确，目前出现6个表格会出现数据没异常的情况，但是表格在纵向合并的情况并没有表现一致的情况

✅ 数据解析异常，错误比率：1/31=3.23%

在31个复杂表格数据的情况下，出现了解析还原错误的情况，表格数据错位了的情况，这种情况在做知识库场景下送给大模型时，会导致数据异常、回答幻觉的情况发生

✅ 表格完全正确，colspan/rowspan完全无错误的情况：25/31=80.6%

数据完全一致、表格完全一致，100%还原出来的比例。

1、简单的上下合并情况

图1-简单的上下合并情况

2、跨页上下单元格合并单元格的情况

图2-跨页上下单元格合并单元格的情况

3、上下左右单元格合并的情况

图3-上下左右单元格合并的情况

4、翻页单元格上下左右合并的情况

图4-翻页单元格上下左右合并的情况

5、更复杂的纵向横向表格合并情况

图5-更复杂的纵向横向表格合并情况

六、100%开源

TorchV 的企业级 AI 知识库系统，是在开源生态的基础上构建而成的。从创业初期开始，我们便充分受益于业界开源的各种大语言模型、Embedding 模型、Reranker 模型、开源组件/中间件等，这些技术的开放极大地推动了行业的发展。我们深知开源的价值，也始终秉持开放、共享、共建的理念。

在构建开发产品的过程中，特别是在 Word 文档解析这一关键环节，我们团队进行了深入的研究和持续的优化，并在实践中取得了一些突破。尽管当前的解析组件仍存在一些待完善之处，或在测试覆盖面上尚有不足，通过开源的形式开放出来，希望借此与更多开发者携手，共同完善这一能力模块，推动行业工具链的进步。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述