編輯導(dǎo)語：題庫錄入對于題庫的質(zhì)與量都具有重要意義，Word文件導(dǎo)入是效率較高的錄入方式，本文將重點介紹Word文件自動識別的具體實現(xiàn)方法，一起來學(xué)習(xí)一下吧~

一、前言

試題的錄入功能對于題庫來說是核心功能，直接關(guān)系到題庫的質(zhì)與量。 錄題功能是否高效直接影響題庫中題目數(shù)量的多少，同時也決定著題目的質(zhì)量的高低。

目前的錄題方式以手動錄入和文件導(dǎo)入為主，而文件導(dǎo)入格式又以Word和Excel為主。手動錄入和Excel文件導(dǎo)入這兩種錄入方式效率低，對于存在公式的試題處理十分麻煩，而Word文件導(dǎo)入的錄入方式在效率方面完勝前兩種，并對于公式也有著很好的兼容處理。

本文將重點介紹Word文件自動識別的具體實現(xiàn)方法。

二、文檔轉(zhuǎn)換工具的選擇

Word解析首先需要將其轉(zhuǎn)化成題庫需要的格式，那么選擇好的轉(zhuǎn)換工具將是整個文件識別的關(guān)鍵。

對比了Word2LaTeX，Pandoc和各種語言自帶的模塊及庫之后，選擇Pandoc作為Word文件解析的工具。選擇的理由是開源且支持多種格式。

Pandoc被譽為轉(zhuǎn)換領(lǐng)域中的“瑞士軍刀”，可以支持大量標(biāo)記語言之間的格式轉(zhuǎn)換，例如 Markdown 、Microsoft Word、PowerPoint、Jupyter Notebook、HTML、PDF、LaTeX、Wiki、EPUB 格式之間的相互轉(zhuǎn)換，感興趣的朋友可以去官網(wǎng)了解。

三、LaTeX/Markdown

文件轉(zhuǎn)換工具選擇好之后，就要確定使用哪種格式作為最終入庫的格式。手動錄入和Excel導(dǎo)入采用的是HTML格式入庫，但是HTML對于理科的公式處理效果不太理想。調(diào)研完目前的幾種主流的格式之后，發(fā)現(xiàn)LaTeX格式最為合適。在我的上一篇文章中也具體說明了選擇LaTeX的原因，有興趣的小伙伴可以看看。

針對之前的業(yè)務(wù)場景，文科學(xué)科的試題有著字體（宋體，楷體，仿宋和黑體）需求，還要支持文字下方加點兼容下劃線，所以就采用了文科試題轉(zhuǎn)換成Markdown格式，如果沒有這些需求，可以統(tǒng)一處理成LaTeX格式。

四、公式識別

Word中通過公式編輯器MathType插入的公式都是以wmf格式的圖片呈現(xiàn)的，然而在常規(guī)業(yè)務(wù)場景下除了公式圖片外是不會添加wmf格式的圖片的，這樣就保證了公式圖片的獨特性。

首先找到所有的wmf圖片以及圖片對應(yīng)的Rid(word圖片對象的編號)、位置以及寬高屬性，通過程序?qū)ml文件中對應(yīng)對象添加特殊標(biāo)記來實現(xiàn)自動給公式打標(biāo)簽的功能，最后在導(dǎo)入Word時將上述圖片屬性組合成LaTeX格式并替代原先的特殊標(biāo)記。

找到的wmf圖片在導(dǎo)入試卷之后異步調(diào)用第三方公式OCR軟件Mathpix Snip，可以識別圖片中的公式并轉(zhuǎn)成LaTeX格式并返回，替換成原先的圖片地址就可以實現(xiàn)公式的識別。

公式識別

五、標(biāo)簽識別

標(biāo)簽識別是經(jīng)歷了一些優(yōu)化的歷程，主要是從標(biāo)簽識別-標(biāo)簽補充-標(biāo)簽簡化這三個階段進行。

1. 標(biāo)簽識別

除了公式之外，其它的內(nèi)容都是通過特征進行識別的，比如題型，分數(shù)，難易度等。這些都是試題的屬性，也是區(qū)別于試題內(nèi)容之外需要識別的，但是程序是不知道這些屬性如何區(qū)分，所以需要給它們增加特殊標(biāo)記（以英文符號[]作為標(biāo)記，例如：[題型]）。

2. 標(biāo)簽補充

為了達到Word中的排版效果，比如段落的首行縮進，標(biāo)題正文的字體區(qū)別，居中居左居右等，就需要在Word中加入對應(yīng)樣式的標(biāo)簽。后期增加了將近10多個標(biāo)簽，效果還是不錯的，但是效率卻明顯的下降了。由于每增加一個標(biāo)簽，都會直接影響教研老師的效率。

3. 標(biāo)簽簡化

想要達到既能達到Word的排版效果，又能保證錄題的效率，團隊做出了很多的嘗試，最終通過研究Word原始XML文件，完成大部分屬性的自動識別，只需要教研老師在導(dǎo)入文件中打上題型的標(biāo)簽就可以直接入庫。

識別后的效果展示

六、總結(jié)

在整個項目中，從一開始的技術(shù)選型，工具選擇，迭代優(yōu)化，到最后實現(xiàn)錄題效率的極大提升，經(jīng)歷了不少的困難。項目一開始的時候其實是摸黑前行，找不到突破的方向，包括后期的效率提升方面，時間和業(yè)績的壓力導(dǎo)致內(nèi)部人員都產(chǎn)生過動搖的念頭，大家都在疑問到底能不能實現(xiàn)。但是我深知這個功能一旦實現(xiàn)了，將會給教研老師省去很大一部分的時間，那么它的價值就是不言而喻的。

Word自動識別要想達到很好的排版效果，接近Word原排版樣式，是需要對細節(jié)有著嚴格要求的，中間的難點問題是需要耐住性子，沉下心來一點點的去發(fā)現(xiàn)并攻克，借用曾國藩的一句話就是“結(jié)硬寨，打呆仗”。的確，如果沒有這樣的攻堅態(tài)度是做不出來創(chuàng)新的。

在此，將這個功能的實現(xiàn)分享給大家，希望能對Word自動識別方面感興趣的小伙伴們有一定的幫助，也希望大家共同探討。

本文由 @一條酸奶中的? 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議