ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;display: table;padding: 0.3em 1em;color: rgb(255, 255, 255);background: rgb(59, 53, 53);border-radius: 8px;box-shadow: rgba(0, 0, 0, 0.1) 0px 4px 6px;">一、前言ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 16px;text-indent: 2em;letter-spacing: 0.1em;color: rgb(63, 63, 63);">在大模型和RAG（检索增强生成）技术飞速发展的今天，ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: inherit;color: rgb(59, 53, 53);">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。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 16px;text-indent: 2em;letter-spacing: 0.1em;color: rgb(63, 63, 63);">本文将结合我在开发TorchV AISingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: inherit;color: rgb(59, 53, 53);">企业级AI知识库产品中碰到的解析Word的问题，将Word文档（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
<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。 
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) {
caseOOXML -> {
// 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);
}
caseOLE2 -> {
// 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。
privatestaticbooleanprocessDocxWithHtmlTable(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。 publicclassWordTableParser{
privatefinalCellMergeAnalyzer cellMergeAnalyzer;
privatefinalHtmlTableBuilder 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
*/
publicStringparseToHtml(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");
}
}
returnhtml.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。
privatestaticbooleanprocessDocWithHtmlTable(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 =newString[numRows][];
int[] rowCellCounts =newint[numRows];
2. 列合并检测算法 privatestaticintdetectColspanByStructure(introwIndex,intcellIndex,
String[][] cellContents,int[] rowCellCounts,intmaxCols){
intcurrentRowCells=rowCellCounts[rowIndex];
// 如果当前行只有1个单元格，占满整行
if(currentRowCells ==1) {
returnmaxCols;
}
// 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) {
returnaverageColspan + remainingCols;
}
returnaverageColspan >0? averageColspan :1;
}
3. 行合并检测算法 privatestaticintdetectRowspanByStructure(introwIndex,intcellIndex,
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
}
}
returnrowspan;
}
4. 智能跳过算法 privatestaticbooleanshouldSkipCellByStructure(introwIndex,intcellIndex,
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 - • ✅ 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)
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 
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。 我们诚挚欢迎社区开发者参与共建，一起打磨这项通用而关键的能力。 GitHub：https://github.com/torchv/torchv-unstructured Gitee: https://gitee.com/torchv/torchv-unstructured 该仓库是一个Java项目，1.0.0版本已经推送Maven中央仓库，坐标地址： <dependency>
<groupId>com.torchv.infra</groupId>
<artifactId>torchv-unstructured</artifactId>
<version>1.0.0</version>
</dependency>
|
