// 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。

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：

• • ✅ 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：