从老旧Word文档到结构化题库：doc转docx与公式识别全流程-北京尧图网络

简介人工智能课程习题答案完整Word版面向计算机相关专业本专科及考研备考者为其系统掌握AI核心概念与经典算法提供对照参考。资源仅含1个doc文件文档整体约560KB已有41人学习。内容按章节组织从第一章“绪论”覆盖人工智能的学科与能力定义、控制论/数理逻辑/神经网络等发展思潮、符号主义/联结主义/行为主义三大学派认知观及认知行为层次分析第二章起进入知识表示方法包括状态空间法求解传教士与野人渡河问题、旅行商最短路径规划等需动手推演的典型题目。各题解答条理清晰关键概念均有展开说明部分题图与制表完整保留适合配合教材边学边查。通读后可快速理顺人工智能知识体系并可直接借鉴典型题解题思路与状态图表达方式为后续复习、应考与项目实践打基础。1. 拿到习题答案 doc先看清它是黑匣子再谈批量复用“完整word版人工智能习题答案(1).doc”——这个文件名带着明显的转存痕迹括号里的(1)说明同一份文档从群聊到网盘传了好几轮。课程组的参考答案套着旧版 .doc 格式打开看一眼能用真要用它做人工智能大作业的复习、抽题、组新卷马上卡住公式是图片表格宽得改不动宏风险未知答案列混着空格。这篇文章不打算逐题讲答案而是把这类 Word 文档改造成可编辑、可检索、可复用的资产。下文的脚本和参数可以直接复现也把我在处理旧文档时踩过的几个坑一并交代清楚。2. 旧版 .doc 的处理第一步批量转 docx、查宏和重建大纲拿到一份 .doc最忌讳的就是直接用 Word 打开后手动另存为 .docx。一方面 .doc 是二进制格式python-docx 这类工具读不了另一方面旧文档里可能藏了宏、OLE 对象和“域代码”公式图形界面另存为会把一堆历史包袱原样搬进新文件。我一般先把文档做一次“体检”离线转换格式 → 检查压缩包内部部件 → 统计样式结构三步走完再决定怎么清洗。2.1 用 LibreOffice 批量把 doc 转成 docx避开 Word 图形界面最常见的做法是用 LibreOffice 的 headless 模式做离线转换。它不依赖图形界面支持命令行批量处理而且转换时默认剥离大部分 VBA 宏相当于顺手做了一次“减负”。命令如下soffice --headless --convert-to docx \ --outdir ./converted \ 完整word版人工智能习题答案(1).doc转换完成后当前目录下会出现converted/完整word版人工智能习题答案.docx。参数含义--headless表示不启动 LibreOffice 窗口纯命令行运行--convert-to docx指定输出格式--outdir指定输出目录。文件名里带着括号和中文必须用双引号包起来否则 shell 会把括号解析成特殊语法。如果手上有几十个 .doc 要一起处理可以套一层循环for f in *.doc; do soffice --headless --convert-to docx --outdir ./converted $f done注意这个循环会把a.doc转成a.docx如果原文件本身叫人工智能习题答案(1).doc转换结果就是人工智能习题答案(1).docx文件名不变只改后缀。为什么不建议直接用 Word 另存为因为 Word 的另存为是单文件操作没法跳过宏、没法批量也没法脱离图形界面而 LibreOffice 的转换日志会直接告诉你哪些文件转换失败便于排查。我第一次处理 40 多份课程组旧文档时用这条命令一口气跑完中途只遇到一个文件因为加密打不开其他全部正常。2.2 转换后检查宏、外链和嵌入对象先看有没有 vbaProject.bindocx 本质是一个 zip 压缩包所以可以用unzip -l直接看里面有哪些部件。这一步花不了十秒但能避免后面打开文档时被宏安全弹窗反复骚扰unzip -l converted/完整word版人工智能习题答案.docx | head -50重点关注三样东西一是word/vbaProject.bin这是 VBA 宏工程文件二是word/embeddings/目录里面是嵌入的 OLE 对象比如旧版公式编辑器生成的公式三是word/_rels/document.xml.rels里的external关系代表外部链接。如果发现word/vbaProject.bin存在而这份文档只是普通习题答案可以直接从压缩包里删掉这个部件zip -d converted/完整word版人工智能习题答案.docx word/vbaProject.binzip -d的含义是 delete即从 docx 压缩包中移除指定条目。删掉宏部件后Word 打开文档不会再触发宏安全提示文档也能正常编辑。但要注意如果文档原本带数字签名删宏会让签名失效这种操作只适合内部资料不适用于需要保留签名的正式文件。LibreOffice 转换出来的 docx 绝大多数时候本来就不含宏但检查这一步不能省。原因是有些 .doc 里的宏嵌在隐藏对象里转出来的 docx 仍然带着“幽灵外链”在 Word 里打开时会触发“外部链接更新”的提示。这时需要打开word/_rels/document.xml.rels把类型为external的关系条目删除同时检查word/media/下有没有可疑的额外文件。2.3 统计样式与表格数量确定清洗优先级转换干净之后用 python-docx 做一次结构统计。统计的目的是搞清楚这份文档里到底是段落多还是表格多、标题有没有用样式这直接决定后面的抽取策略from collections import Counter import docx doc docx.Document(converted/完整word版人工智能习题答案.docx) # 统计正文段落样式 styles Counter(p.style.name for p in doc.paragraphs) print(段落样式统计:, styles.most_common(10)) # 统计表格和内嵌图片数量 print(表格数量:, len(doc.tables)) print(内嵌图片数量:, len(doc.inline_shapes))运行后我通常会看到这样几种结果如果Heading 1、Heading 2数量很少而Normal样式占了绝大多数说明这份文档的大纲是“手动加粗”做的不是真正的标题样式。这样的文档直接交给 Pandoc 转 Markdown会得到一片没有层级的纯文本后面做题目切片会很痛苦。这时候需要重建标题结构。常见做法是用正则匹配“第X章”“X.X”这类行首模式把对应的段落样式改成 Word 内置标题样式import re from docx import Document doc Document(converted/完整word版人工智能习题答案.docx) for p in doc.paragraphs: text p.text.strip() if not text: continue if re.match(r^第[一二三四五六七八九十][章节篇], text): p.style doc.styles[Heading 1] elif re.match(r^\d(\.\d)*\s, text): p.style doc.styles[Heading 2] elif re.match(r^[(]?\d[)]\s*[A-D]?\s*[。.]?, text) or re.match(r^[A-D][.、]\s, text): p.style doc.styles[Normal] doc.save(restructured.docx)这段代码的核心逻辑是按行首正则把章节标题挑出来分别映射到 Heading 1 和 Heading 2题号和选项行保持 Normal。注意正则里的[.。]会匹配中英文标点因为旧文档里混用标点的情况非常普遍。重建样式后再用 Pandoc 转 Markdown 就能得到正确的#、##层级后续按标题切片、按章节抽题都会方便很多。如果统计结果显示表格数量很多比如超过 50 个说明题目主要存在表格里正文样式重建就没那么急可以直接跳到下一章的表格抽取。统计的意义就在于先分清主次不要一上来就对所有文档做同一套清洗操作。3. 抽取结构化题库把 Word 表格里的题、选项、答案分离成 JSON清洗完结构下一步是把“人看着方便”的 Word 文档转成“程序能用”的结构化数据。我的目标格式是 JSON因为后面不管做随机抽题、转 Markdown 刷题、还是喂给知识库JSON 都是最通用的一环。但 Word 里的习题存放方式五花八门抽取前必须先判断形态再选择对应脚本。3.1 先判断题库三种存法表格题、段落题、图片题各走各路参考答案文档里最常见的三种形态是表格题、段落题和图片题它们常常混在同一份文档里。判断依据很简单看第 2.3 节统计出的表格数量、段落样式和图片数量。形态特征典型表现处理路线表格题doc.tables数量多题干和选项以单元格形式存在python-docx 逐行抽取按表头映射字段段落题表格少题干和选项是连续段落选项用“A.”“B.”标记正则按选项标记切分段落图片题inline_shapes数量大题干或整页是扫描图先做 OCR 或公式识别再走前两种路线这个判断不是走形式。我曾经拿到一份“完整答案”表格数量为 0但段落里到处是制表符对齐的伪表格。如果直接套表格抽取脚本什么都抽不到反过来如果文档主体是表格用正则去切段落也会漏掉大量题目。所以抽取的第一步始终是打印三组数字print(段落数:, len(doc.paragraphs)) print(表格数:, len(doc.tables)) print(图片数:, len(doc.inline_shapes))段落数远大于表格数时走正则段落切割表格数和段落数相当且表格集中在题目区优先走表格抽取。两个路线并不互斥最终要把两边的结果合并到一个 JSON 数组里。对于段落题我一般用这样的方式切分先按空行把整段文本切成若干块再对每一块判断是不是“题干选项答案”的组合。选项行用^([A-D])[.、]正则捕获答案行用答案[:]\s*([A-D])捕获。注意旧文档里常见“答案A”和“参考答案 A”两种写法正则里要都考虑到。3.2 抽取表格题表头映射合并单元格去重转 JSON表格题的抽取最稳的做法不是按固定列序而是先读表头再按表头映射列含义。因为不同章节的表格列顺序可能不一样有的把答案放最后一列有的放在第五列还有的在表头写“参考答案”而不是“答案”。按表头映射可以一次兼容多种排布import docx, json, re doc docx.Document(restructured.docx) questions [] def unmerge(cells): 处理合并单元格python-docx 会把跨行合并的单元格内容复制到每一行这里做去重 out [] prev None for c in cells: t c.text.strip() if t ! prev: out.append(t) prev t return out for tbl in doc.tables: if len(tbl.rows) 2: continue header unmerge(tbl.rows[0].cells) # 跳过跨页重复出现的表头 if header[0] and (题干 in header[0] or 题目 in header[0]) is False and 选项 not in header[0]: pass for row in tbl.rows[1:]: cells unmerge(row.cells) if not cells or not cells[0]: continue q {q: cells[0], opts: {}, ans: } # 表头里常见“选项A”“A选项”“A” for h, val in zip(header, cells): m re.match(r^(选项)?\s*([A-D])\s*$, h.strip()) if m: q[opts][m.group(2)] val if 答案 in h or 参考答案 in h: q[ans] val questions.append(q) with open(questions.json, w, encodingutf-8) as f: json.dump(questions, f, ensure_asciiFalse, indent2) print(抽取题目数:, len(questions))这段代码有三个关键点。第一unmerge函数处理合并单元格python-docx 在读垂直合并的单元格时会在每一行都返回同一份文本导致后面行的选项和答案全部错位按“相邻且相同则去重”的方式处理能得到和视觉一致的行数据。第二表头匹配用正则^(选项)?\s*([A-D])\s*$兼容“选项A”“A选项”“A”三种写法。第三答案列的匹配优先级是“参考答案”优先于“答案”因为有的表里既有一列“选项”又有一列“答案”还有一列“解析”。实际操作中还有一个高频问题跨页表格的续表会把表头重复一次。也就是说第 1 页的表头是“题干/选项A/选项B/答案”第 2 页续表又会来一遍“题干/选项A/选项B/答案”。如果不做过滤抽取结果里会混入“题目”和“答案”字段全是表头文字的脏行。我的处理是检查表头是否重复出现过如果表中某一行第一格内容和表头第一格相同就跳过该行。3.3 答案与选项归一化把“正确/对/T/√”统一成标准字段抽取出来的 JSON 里答案列的内容往往很“狂野”选择题写着“A、C”判断题写着“正确”“对”“T”“√”多选题写着“ABD”或“A,B,D”。如果不归一化后面无论是抽题组卷还是做自动批改都要为每一种写法单独写分支。我一般统一成两种风格选择题答案用大写字母连续书写判断题答案用T和Fimport json, re NORM_MAP { 正确: T, 对: T, √: T, t: T, true: T, 错误: F, 错: F, ×: F, f: F, false: F, } def norm_ans(raw: str) - str: raw raw.strip().replace( , ).replace(, ,) if raw in NORM_MAP: return NORM_MAP[raw] # “A,C”“A、C”“AC”统一为大写连续字母 raw re.sub(r[、,], , raw).upper() if re.fullmatch(r[A-D]{1,4}, raw): return raw return raw data json.load(open(questions.json, encodingutf-8)) for q in data: q[ans] norm_ans(q.get(ans, )) json.dump(data, open(questions_norm.json, w, encodingutf-8), ensure_asciiFalse, indent2)NORM_MAP负责把判断题的“对/错/正确/错误”等写法映射到T/Fre.sub(r[、,], , raw)负责把多选题答案里的顿号、逗号全部去掉最后统一成大写字幕。这里特别要处理全角顿号和半角逗号因为不同老师录答案时习惯不同这一层不归一后面写批改逻辑时全是坑。另一个我反复遇到的坑是有些文档的答案列用空格对齐视觉上是“A C”肉眼看着是“AC”但strip()之后中间还夹着多个空格。正则re.fullmatch(r[A-D]{1,4}, raw)会匹配失败。解决方法是先.replace( , )我这版代码里已经处理了。做完这步questions_norm.json里每道题都有统一的q、opts、ans三个字段后续工作流的所有环节都可以基于这份 JSON 展开。4. 公式图片转 LaTeX让 Word 里的数学公式变成可检索资产人工智能习题答案里最让人头疼的不是文字而是公式。很多答案文档的年代早于 Word 原生公式编辑器普及期公式要么是图片要么是 EQ 域要么是旧版公式编辑器嵌入的 OLE 对象。它们共同的问题是完全无法检索、无法复制、无法在转成 Markdown 或 LaTeX 时保留语义。这一章的目标就是把“只能看”的公式变成“可编辑、可转码”的 LaTeX 文本。4.1 先查文档里的公式形态OMML、图片还是 EQ 域动手识别公式前先判断这份文档里公式以什么形态存在。docx 里Word 原生公式是 OMML 格式对应 XML 标签m:oMath老文档转换过来的公式可能是嵌入对象还有一种常见形态是 EQ 域对应w:fldSimple或w:fldChar。用下面这段代码数一数import docx from docx.oxml.ns import qn doc docx.Document(restructured.docx) omml 0 fld 0 eq_objects 0 for el in doc.element.body.iter(): if el.tag qn(m:oMath): omml 1 if el.tag qn(w:fldSimple) or el.tag qn(w:fldChar): fld 1 if el.tag qn(w:object): eq_objects 1 print(OMML 公式数:, omml) print(域代码数:, fld) print(嵌入对象数:, eq_objects)判断逻辑很简单m:oMath是 Word 2007 之后的原生公式Pandoc 能直接转基本不用额外处理w:fldSimple和w:fldChar是老文档里的 EQ 域Word 打开后能看到公式但拆开看是{eq \i(...)}这类文本w:object是嵌入对象通常是旧版公式编辑器MathType的产物需要解包提取或者重新录入。三种形态的处理策略完全不同OMML 数量多说明文档比较新直接交给 Pandoc 转 Markdown 即可EQ 域数量多用 Word 或 LibreOffice 打开后另存为 docx很多 EQ 域会被展开成 OMML嵌入对象多就得考虑从word/embeddings/里提取原始文件或者干脆走图片识别路线。最坏情况是文档里全是公式图片也就是inline_shapes数量大这时进入 4.2 的离线识别流程。4.2 识别公式图片的预处理与 LaTeX-OCR 调用参数公式图片的离线识别目前最常用的开源方案是 LaTeX-OCRpix2tex。它能把一张白底黑字的公式图片转成 LaTeX 文本。先安装依赖再用 API 调用pip install pix2tex调用和预处理脚本如下from pix2tex.api import LaTeXOCR from PIL import Image, ImageOps model LaTeXOCR() def prep_formula_img(src: str, dst: str, scale2): 公式图片预处理转灰度、自动对比度、放大 scale 倍 im Image.open(src).convert(L) im ImageOps.autocontrast(im) im im.resize((im.width * scale, im.height * scale), Image.LANCZOS) im.save(dst) return dst prep_formula_img(raw_formula.png, formula_ready.png, scale2) latex model(formula_ready.png) print(latex)convert(L)把图片转成灰度公式识别对颜色不敏感但灰度图能去掉背景噪声ImageOps.autocontrast拉开黑白对比度避免浅色公式在灰底上识别失败scale2是放大倍数低分辨率扫描图建议调到 3但倍率过大反而会让边缘产生锯齿2 是多数情况下的安全值。这条链路的核心参数其实在预处理不在模型本身。我踩过的坑是拿到模糊的扫描公式直接喂给模型输出经常是\int}}{\partial这种乱码做了放大和对比度增强后同一张图片识别准确率明显提高。识别结果不是 100% 准确特别是带上下标的积分、求和公式识别完必须人工校对一遍。批量处理时我会把识别结果先写入一个formula_map.json再在生成 Markdown 时按文件名替换而不是直接改原文档这样错了可以批量补救。4.3 把 LaTeX 公式回填 WordPandoc 的 OMML 转换链路公式图片识别成 LaTeX 文本只是第一步最终往往还要把这些公式放回 Word 文档里交付给不看代码的同事或老师。直接往 docx 里粘贴 LaTeX 源码没有意义Word 不认识。真正好用的链路是Markdown 文本里写$...$LaTeX 公式然后用 Pandoc 转成 docxPandoc 会自动把 LaTeX 公式转成 Word 原生 OMML 公式在 Word 里可以直接编辑。pandoc questions_with_math.md -o questions_with_math.docx这条命令不需要加--mathml参数。一个容易混淆的细节是--mathml是针对 HTML 输出的对 docx 不生效Pandoc 在 docx 输出时默认会把 LaTeX 数学环境转成 OMML。如果你发现生成的 Word 里公式变成了图片或者纯文本十有八九是输入侧的问题比如$符号被转义、公式和中文之间缺空格。如果你的数据已经在questions_norm.json里把公式图片替换成 LaTeX 文本这步可以直接用脚本合成 Markdownimport json, pathlib data json.load(open(questions_norm.json, encodingutf-8)) formula_map json.load(open(formula_map.json, encodingutf-8)) lines [] for i, q in enumerate(data, 1): text q[q] for img_name, latex in formula_map.items(): text text.replace(f[公式:{img_name}], f${latex}$) lines.append(f{i}. {text}) for opt_k, opt_v in q[opts].items(): lines.append(f- {opt_k}. {opt_v}) lines.append(f\n答案{q[ans]}) pathlib.Path(questions_with_math.md).write_text(\n.join(lines), encodingutf-8)生成 Markdown 后再执行 Pandoc 命令就得到一份公式可编辑、答案可检索的 docx。如果你习惯用可视化工作流也可以把 Markdown 转 Word 这一步放到 coze 这类工具里用文档插件做但公式转换的稳定性不如本地 Pandoc字体和排版也经常要二次调。我一般保留本地 Pandoc 主链路只有纯文字文档才丢给工作流处理。5. 题库清洗避坑5 个高频翻车点与对应解法哪怕前面的脚本都跑通了真实文档里还有一批“看着没毛病、一运行就出事”的细节问题。这一章列五个我反复遇到的每一条都按现象、原因、解决三步写方便你直接对照排查。5.1 word 表格列宽无法拖动转 PDF 后表头断页现象在 Word 里手动拖拽表格列宽列纹丝不动把文档转成 PDF 后表头在每一页顶部重复出现但列宽错位严重内容被截断。原因旧文档的表格用的是固定布局标明了绝对宽度Word 的“自动调整”对这类表格经常失效。更隐蔽的是跨页表格的续表没有设置“重复标题行”导致每一页顶部的表头都是复制粘贴出来的文本而不是真正的表头行。解决用 Python 统一重置表格列宽和布局模式from docx import Document from docx.shared import Cm from docx.oxml.ns import qn from docx.oxml import OxmlElement doc Document(restructured.docx) for tbl in doc.tables: tbl.autofit False # 设置表格布局为 fixed tblPr tbl._tbl.tblPr layout OxmlElement(w:tblLayout) layout.set(qn(w:type), fixed) tblPr.append(layout) # 按列设置宽度题干 4cm选项 2.2cm答案 2.6cm for row in tbl.rows: for i, cell in enumerate(row.cells): if i 0: cell.width Cm(4) elif i 4: cell.width Cm(2.2) else: cell.width Cm(2.6) doc.save(fixed_width.docx)tbl.autofit False关闭自动调整w:tblLayout显式声明固定布局。值得提醒的是row.cells遇到跨行合并单元格时同一个 cell 对象会在多行里重复出现重复设置宽度没有危害但如果你按“单元格数量”去计算列数会得到比实际多的结果务必注意。5.2 doc 转 docx 后公式变空白框图片变红叉现象LibreOffice 转换完成后正文公式位置只剩空白框图片显示为红叉打印预览里一片空白。原因旧 .doc 里的公式是 OLE 对象转换时 LibreOffice 只保留了对象壳没有把内容展开某些 WMF/EMF 格式的图片在转换过程中丢失了渲染数据。解决不要死磕 docx先让 LibreOffice 把原始 doc 转成 PDF再从 PDF 按坐标区域裁图soffice --headless --convert-to pdf --outdir ./pdf_step 完整word版人工智能习题答案(1).doc然后用 pdfplumber 按页面区域裁出公式块import pdfplumber with pdfplumber.open(pdf_step/完整word版人工智能习题答案.pdf) as pdf: page pdf.pages[5] # 第 6 页 for i, bbox in enumerate(formula_bboxes): # bbox 从预览中人工确认一次 crop page.within_bbox(bbox) crop.to_image(resolution200).save(fformula_{i}.png)公式位置坐标不需要一次标全可以先用一页做模板批量跑同类型页面。PDF 转出来的图片分辨率高再用 4.2 的 LaTeX-OCR 识别成功率比直接从 docx 里抽图高不少。这个方法特别适合那种“PDF 转 Word 拿到的答案文档”——字体子集化问题在这里也很常见PDF 里去复制文字经常得到乱码本质是字体没有嵌入字符映射按上面的路子裁图识别反而最稳。5.3 宏安全弹窗反复出现从压缩包层面剥离宏部件现象打开 docx 时Word 顶部弹黄色横幅“宏已被禁用”或者弹窗提示“是否启用内容”。每次打开都弹关闭后下次还弹。原因docx 里存在word/vbaProject.binWord 检测到宏工程就会启动宏安全检查。解决如果确认文档不需要宏用 2.2 节的zip -d直接删除宏部件。执行完重新打开文档提示消失。注意要先关闭 Word 再删否则文件被占用会报错。删完以后如果文档带红章或签名会发现签名信息也被一并清除了这是正常现象内部资料可以接受。5.4 答案列串列空格对齐导致的解析错位现象抽取出来的 JSON 里某道题的答案变成了上一道题的选项或者选择题答案跑到判断题字段里。原因原作者排版时不是用表格而是用空格把“答案”推到同一行最右侧。Word 里看着对齐但你的脚本按行读取时空格数量在不同行里不一致列位置就漂移了。解决解析前先做文本归一化把全角空格、制表符和连续空格统一成单空格再按正则定位import re def clean_line(line: str) - str: line line.replace(\u3000, ).replace(\t, ) line re.sub(r[ ]{2,}, , line) return line.strip()这也是 Word 排版经典问题“同一行怎么一边最左一边最右”的另一种解法与其在文档里纠结制表位不如在解析端做一层容错。清理后再用re.search(r答案\s*[:]\s*([A-D]), line)取答案串列概率会小很多。5.5 python-docx 读不到批注直接解析 comments.xml现象文档里有老师批注的勘误和补充答案但doc.paragraphs里完全看不到批注好像消失了。原因python-docx 目前不支持读取批注批注存放在word/comments.xml里不在document.xml的段落流中。解决如果只是少数字直接复制解压 docx用 lxml 解析comments.xmlfrom lxml import etree tree etree.parse(word/comments.xml) ns {w: http://schemas.openxmlformats.org/wordprocessingml/2006/main} for c in tree.xpath(//w:comment, namespacesns): author c.get({%s}author % ns[w]) text c.xpath(string(.//w:t), namespacesns) print(author, text)w:comment是批注节点w:t是批注里的文本节点string()会把所有文本聚合起来。解析完批注后可以把勘误内容合并回questions_norm.json的remark字段保持题库单一数据源。6. 接入抽题工作流随机组卷、答案回译验证与日常使用前面几步把一份原始的 .doc 变成了questions_norm.json到这里才算真正具备了“可用性”。日常使用中我做得最多的两件事一是随机抽题组卷二是把生成的试卷回译验证确保清洗过程没有丢题、错位。随机组卷脚本很直接基于 JSON 按数量采样import json, random qs json.load(open(questions_norm.json, encodingutf-8)) selected random.sample([q for q in qs if q[ans]], 20) lines [] for i, q in enumerate(selected, 1): lines.append(f{i}. {q[q]}) for k, v in q[opts].items(): lines.append(f {k}. {v}) lines.append(f 答案{q[ans]}) open(paper.md, w, encodingutf-8).write(\n.join(lines))组卷后执行pandoc paper.md -o paper.docx一份可打印的卷子就出来了。如果想让答案单独成页可以在 Markdown 里插入\newpagePandoc 转 docx 时会解析这个命令。这里也顺带解决了一个高频需求把大模型比如 DeepSeek输出的 AI 文本导出成 Word走同样的链路——让模型返回 Markdown再用 Pandoc 本地转 docx比在网页里复制粘贴再调格式靠谱得多。回译验证是我个人坚持的一个习惯生成的paper.docx再跑一遍第 3 章的抽取脚本把抽取结果和questions_norm.json逐题比对核对题号、题干首字和答案字段。这个环节不能省因为清洗脚本里任何一处正则误判都可能造成整题丢失。我第一次处理类似文档时就是因为合并单元格去重没写导致 30% 的题目答案错位幸亏回译才拦住。整条链路跑顺之后这份 JSON 还可以继续扩展导入 Anki 刷题、接入知识库问答、让大模型基于它出变式题。我的习惯是原文件永远复制一份留底任何操作都在副本上做——毕竟这种“完整word版”文档在网盘里转过几轮谁知道哪次清洗会改坏什么地方。能在脏数据上练出稳定流程比文档本身更值钱。希望整个方案对你处理手上的这份答案文档有帮助。本文还有配套的精品资源点击获取

从老旧Word文档到结构化题库：doc转docx与公式识别全流程

相关推荐

SLAM技术实战：从激光到视觉的工程优化

DeepSeek Harness桌面端：Node.js 20+驱动的本地LLM工作流系统

数字孪生技术在工业质量预测中的实践与应用

更多资讯

hyperframes揭秘：Rust hyper库HTTP帧处理机制全解析

3D展厅设计不是建模，而是空间叙事重构

矩阵分析期末高分攻略：基与过渡矩阵、Jordan标准型等八大题答题模板

效率工具ponytail：像扎马尾一样轻松收集与整理零散信息

用 PIL 画一套 120 个动态表情包：从 IP 引擎到微信上架的完整工程

UDEC建模参数化：数据表与FISH函数告别手动改命令流

今日更新

学生选课系统DFD图绘制指南：边界划分与分层校验实战

JIRA敏捷落地：Scrum角色权限、Sprint与燃尽图避坑指南

SEMI S8人机工程验收实战：从条款拆解到现场实测的完整指南

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？