企业AI知识库的文件解析痛点

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<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 FileMagic fileMagic = FileMagicUtils.checkMagic(wordFile); if (fileMagic == FileMagic.UNKNOWN) { String suffix = FileUtil.getSuffix(wordFile.getName()); if (StrUtil.equalsIgnoreCase(suffix, "docx")) { fileMagic = FileMagic.OOXML; } else if (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 static boolean processDocxWithHtmlTable(File docxFile, File target) { // 1. 预处理阶段：使用WordTableParser精准解析表格 XWPFDocument document = new XWPFDocument(inputStream); WordTableParser wordTableParser = new WordTableParser(); List<String> customTablesHtmlList = wordTableParser.parseToHtmlList(document); // 2. 常规解析：使用Tika进行流式解析 AutoDetectParser parser = new AutoDetectParser(); 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 String finalContent = 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 class WordTableParser { private final CellMergeAnalyzer cellMergeAnalyzer; private final HtmlTableBuilder htmlTableBuilder; public WordTableParser() { this.cellMergeAnalyzer = new CellMergeAnalyzer(); this.htmlTableBuilder = new HtmlTableBuilder(); } public WordTableParser(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()); StringBuilder html = new StringBuilder(); for (int i = 0; i < tables.size(); i++) { XWPFTable table = 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 static boolean processDocWithHtmlTable(File docFile, File target) { // 使用专门的DOC内容处理器 DocMarkdownWithHtmlTableContentHandler handler = new DocMarkdownWithHtmlTableContentHandler(); handler.setCurrentDocument(document); // 在解析过程中实时应用我们的表格算法 DocXMarkdownWithHtmlTableContentHandler textHandler = new DocXMarkdownWithHtmlTableContentHandler(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 static int detectColspanByStructure(int rowIndex, int cellIndex, String[][] cellContents, int[] rowCellCounts, int maxCols) { int currentRowCells = 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 int averageColspan = maxCols / currentRowCells; int remainingCols = 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 static int detectRowspanByStructure(int rowIndex, int cellIndex, String cellText, String[][] cellContents, int[] rowCellCounts) { // 检查向下相邻行的对应位置 int rowspan = 1; for (int nextRow = rowIndex + 1; nextRow < cellContents.length; nextRow++) { String nextCellText = cellContents[nextRow][cellIndex]; if (nextCellText.trim().isEmpty()) { // 进一步验证：检查该行是否有其他内容 boolean hasContentInRow = false; for (int i = 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 static boolean shouldSkipCellByStructure(int rowIndex, int cellIndex, String cellText, String[][] cellContents, int[] rowCellCounts) { // 向上查找可能的rowspan源 for (int prevRow = rowIndex - 1; prevRow >= 0; prevRow--) { if (cellIndex < rowCellCounts[prevRow]) { String prevCellText = cellContents[prevRow][cellIndex]; if (!prevCellText.trim().isEmpty()) { // 重新计算该单元格的rowspan int calculatedRowspan = calculateRowspanFromPosition( prevRow, cellIndex, cellContents, rowCellCounts); // 判断是否覆盖到当前行 if (prevRow + calculatedRowspan > rowIndex) { return true; // 跳过被占用的单元格 } } } } return false; } 

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

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

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

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>