Word 知识库材料怎么解析？保留标题层级、段落和表格顺序

把 Word 材料交给 AI 知识库前，先保存“这段文字属于哪一节、表格在什么位置、来自哪个文件”。只先读取所有段落再读取所有表格，会破坏两者在原文中的交错顺序，也可能让检索片段失去上下文。

下面用 python-docx 把主文档中的段落和表格按顺序转成 JSON。示例是人为构造的 Word 文档，已在 Windows、Python 3.11.15、python-docx 1.2.0 环境运行；没有连接在线知识库，也没有验证问答准确率。

先确定输入和记录结构

输入是可编辑的 .docx 文件。本例不接受旧版 .doc，也不会对扫描图片执行 OCR。先复制一份原文件用于解析，并保留原件，避免把资料转换与修改内容混在一起。

Document 官方接口提供 iter_inner_content()，按文档顺序产生 Paragraph 或 Table。程序对两种对象分别记录内容，共用同一个 order；标题段落同时更新 heading_path，后面的正文和表格沿用该路径。

按样式识别标题，而不是按字号猜

样式文档指出，style.name 用于访问样式，style_id 由 Word 自动生成，不保证跨保存稳定。因此本例明确把 Heading 1 到 Heading 9 映射为标题级别，不依据内部 style_id 识别。

如果你的文档使用自定义样式或显示名称与映射不同，先打印各段落的 paragraph.style.name，把真实名称加入 heading_levels，例如 {"章标题": 1, "节标题": 2}。只有手工放大字号而没有应用标题样式的段落，本例会当普通正文处理。

运行完整的交错顺序示例

在独立目录安装 python -m pip install python-docx==1.2.0。将下面代码保存为 parse_docx.py，执行 python parse_docx.py。它先创建带标题、段落、表格的演示文件，再解析并检查顺序。

from pathlib import Path
import json
from docx import Document
from docx.text.paragraph import Paragraph

sample=Document()
sample.add_heading('演示知识库材料',level=1)
sample.add_paragraph('这是人为构造的文档，用于验证解析顺序。')
sample.add_heading('安装步骤',level=2)
sample.add_paragraph('先建立独立环境，再核对包版本。')
table=sample.add_table(rows=2,cols=2)
table.cell(0,0).text='检查项';table.cell(0,1).text='预期结果'
table.cell(1,0).text='环境';table.cell(1,1).text='版本已记录'
sample.add_paragraph('表格之后继续执行输入检查。')
sample.add_heading('验收方法',level=2)
sample.add_paragraph('保存原文件与解析记录，抽查段落和表格顺序。')
sample.save('sample_knowledge.docx')

def parse_docx(path):
    document=Document(path)
    heading_levels={f'Heading {level}':level for level in range(1,10)}
    headings=[]
    result=[]
    for order,block in enumerate(document.iter_inner_content()):
        if isinstance(block,Paragraph):
            text=block.text.strip()
            level=heading_levels.get(block.style.name if block.style else '')
            if level and text:
                headings=[pair for pair in headings if pair[0]<level]
                headings.append((level,text))
                kind='heading'
            else:
                kind='paragraph'
            if not text:
                continue
            result.append({'order':order,'kind':kind,'heading_path':[x[1] for x in headings],
                           'text':text,'source_file':Path(path).name})
        else:
            result.append({'order':order,'kind':'table','heading_path':[x[1] for x in headings],
                           'rows':[[cell.text for cell in row.cells] for row in block.rows],
                           'source_file':Path(path).name})
    return result

records=parse_docx('sample_knowledge.docx')
tables=[x for x in records if x['kind']=='table']
assert len(tables)==1
table_pos=records.index(tables[0])
assert records[table_pos-1]['text']=='先建立独立环境，再核对包版本。'
assert records[table_pos+1]['text']=='表格之后继续执行输入检查。'
assert tables[0]['heading_path']==['演示知识库材料','安装步骤']
assert records[-1]['heading_path']==['演示知识库材料','验收方法']
Path('docx_records.json').write_text(json.dumps(records,ensure_ascii=False,indent=2),encoding='utf-8')
print('records:',len(records))
print('table_records:',len(tables))
print('table_between_correct_paragraphs:',True)
print('last_heading_path:',records[-1]['heading_path'])
print('saved: docx_records.json')

本地运行输出

records: 8
table_records: 1
table_between_correct_paragraphs: True
last_heading_path: ['演示知识库材料', '验收方法']
saved: docx_records.json

怎样核对 JSON 确实对应原文

本例输出 8 条记录，其中 1 条是表格。表格前一条为“先建立独立环境，再核对包版本。”，后一条为“表格之后继续执行输入检查。”；表格路径为“演示知识库材料 → 安装步骤”，最后一段路径为“演示知识库材料 → 验收方法”。代码同时用断言检查这些关系，异常时直接停止。

打开 sample_knowledge.docx 与 docx_records.json，按 order 逐条比对标题、段落和表格位置。实际资料至少抽查标题跳级、表格前后说明、关键限制条件和文末段落；记录数正确并不证明内容完整。

改成你自己的 Word 材料

1. 保留 parse_docx 函数，删掉前面创建 sample 的演示部分。
2. 把调用改为 records = parse_docx('自己的文件.docx')，输出文件也换成对应名称；不要将自己的原件命名为演示输出文件。
3. 用真实样式名称补充 heading_levels；没有样式的文件先在副本中规范标题。
4. 按 kind 把段落与表格送入后续切分，保留 source_file、文档 ID 和原块位置；如果表格单独切片，把所属标题和表头一起带入。
5. 选实际会向知识库提出的问题，确认它所需的句子与表格信息都还在转换结果中，再进行向量化。

哪些情况要另加解析规则

本例只遍历主文档层的段落和表格，不保证完整覆盖页眉页脚、文本框、修订记录、图片、嵌套表格或合并单元格的语义。合并单元格在按 row.cells 遍历时可能重复出现，必须对照原表处理，不能直接把重复文字当多条独立事实。

出现“原文有内容、JSON 没有”的情况，先确认文字是否在图片、文本框或修订区域，再选择相应处理方式。不要让模型补写漏掉的数字或条件。正文文字成功读取，也不意味着图中的尺寸、公式或流程已被读取。

标题不连续，会不会报错？

本例允许从一级直接跳到三级，并保留实际出现的路径，不会补造不存在的二级标题。如果下游要求固定层数，应单独记录缺层情况；不要凭空添加一个标题来让结构看起来完整。