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.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.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gridSpanvMerge)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rowspancolspan
  • • 它们通常会把合并单元格下的空单元格渲染成独立的<td>,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。

图片

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rowspancolspan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

图片

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

图片

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

图片

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

图片

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

图片

最后

为什么要学AI大模型

当下,⼈⼯智能市场迎来了爆发期,并逐渐进⼊以⼈⼯通⽤智能(AGI)为主导的新时代。企业纷纷官宣“ AI+ ”战略,为新兴技术⼈才创造丰富的就业机会,⼈才缺⼝将达 400 万!

DeepSeek问世以来,生成式AI和大模型技术爆发式增长,让很多岗位重新成了炙手可热的新星,岗位薪资远超很多后端岗位,在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合,飞速发展,成为炙手可热的新风口,企业非常需要了解AI、懂AI、会用AI的员工,纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型,后台也经常会有小伙伴咨询学习路线和学习资料,我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了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 全系列的学习资料,这些学习资料不仅深入浅出,而且非常实用,让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入,精准学习显得尤为重要。一份系统的技术路线图,不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点,还能提供一条高效、有序的学习路径。

img

但知道是一回事,做又是另一回事,初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性,在这基础上,找到高质量的学习资源,不浪费时间、不走弯路,又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式,可以更直观地展示过程,能有效提升学习兴趣和理解力,是现在获取知识的重要途径

在这里插入图片描述
光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
在这里插入图片描述

海量AI大模型必读的经典书籍(PDF)

阅读AI大模型经典书籍可以帮助读者提高技术水平,开拓视野,掌握核心技术,提高解决问题的能力,同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说,阅读经典书籍是非常有必要的。
在这里插入图片描述

600+AI大模型报告(实时更新)

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
在这里插入图片描述

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作,下面这些面试题都是总结当前最新、最热、最高频的面试题,并且每道题都有详细的答案,面试前刷完这套面试题资料,小小offer,不在话下
在这里插入图片描述

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

Logo

有“AI”的1024 = 2048,欢迎大家加入2048 AI社区

更多推荐