从 .doc 到筛查接口：0-3岁婴幼儿发展标准结构化落地

简介：这份《0—3岁婴幼儿发展标准》文档面向家长、早教从业者及婴幼儿照护相关人员，用于按月龄对照观察宝宝在大运动、精细动作、认知、语言、社交与自理等方面的发育表现，帮助判断成长节点并留存阶段记录。内容以月龄为线索，从1个月至10个月逐项列出可观察指标，如俯卧抬头、追视红球、翻身、抓握传递、模仿发音、识把与藏猫猫等，兼具筛查参考和亲子互动提示作用。资源包仅1个doc文件，约80KB，轻量便于电脑或手机端随时查阅、打印。当前已有70人学习，说明其在家庭早教和托育照护场景中具备一定参考价值。读者可据此建立月龄观察清单，记录关键能力出现时间，并在儿保咨询、早教课程设计或托育照护中作为辅助资料使用。

1. 一份「0_3岁婴幼儿发展标准.doc」摆在面前，先想清楚它要被谁查

托育机构要做一个家长端小程序：家长填宝宝的出生日期，页面按当前月龄弹出"这个阶段应该会什么"，保健老师再逐条勾选"会/不会"，系统给出是否需要转介的提示。手上唯一的资料，就是一份从行业交流群里拿到的《0_3岁婴幼儿发展标准.doc》，里面是几张大表格，横向是大运动、精细动作、语言、认知、社会交往五个维度，纵向按"1个月""3-4个月""12-18个月"这样的月龄段切分。

真正卡住工程的不是"读懂这份文档"，而是把它从人眼可读的排版，变成一张能按矫正月龄精确检索、能按条目结构化打分的表。多数人第一次做这件事会直接复制粘贴进 Excel，结果发现合并单元格、跨页表头、月龄写法不统一（"3月龄""3个月""0~3月"混着来）三件事就能把工期拖掉一周。

这篇讲的是从 .doc 解析到接口上线的完整链路：怎么判文件真实格式、怎么保住表格结构、怎么设计月龄区间和维度字段、筛查阈值该放在哪一层、以及文档改版之后怎么保证线上数据不悄悄跑偏。做医疗健康信息化、早教 SaaS 或者单纯想练文档解析的工程师，都能照着走一遍。

2. 解析 0_3岁婴幼儿发展标准.doc：先分清真 .doc 还是改了名的 .docx

2.1 用 file 命令判断文件真实格式

文件名后缀是最不可信的信息。很多"标准.doc"是从某个网页另存下来的，实际内容是新版 OOXML 包，只是后缀被改成了 .doc。用 LibreOffice 直接转会报过滤器错误，用 python-docx 又会抛PackageNotFoundError，报错信息还指不到根子上。第一件事永远是看文件头。

file "0_3岁婴幼儿发展标准.doc" # 真·旧版 Word（OLE2 复合文档）： # Composite Document File V2 Document, Little Endian, Os: Windows ... # 改名来的 docx（ZIP 包）： # Microsoft Word 2007+ / Zip archive data, at least v2.0 to extract

file靠读 magic bytes 判断，不依赖后缀，这一步花两秒能省掉后面半小时的排错。如果输出是 Zip archive，直接把后缀改成 .docx 交给 python-docx；如果是 Composite Document，就得走转换。

2.2 LibreOffice headless 批量转换与参数说明

旧版 .doc 的表格结构在二进制流里带一堆排版残留，自己写解析器性价比很低，常见做法是先用 LibreOffice 转成 docx，再用成熟的 OOXML 库读。命令本身很简单，坑集中在并发和字体上。

mkdir -p converted soffice --headless --norestore \ --convert-to docx:"MS Word 2007 XML" \ --outdir ./converted \ "./0_3岁婴幼儿发展标准.doc"

--headless表示不开图形界面，服务器上必须加；--norestore跳过崩溃恢复对话框，否则进程可能挂住不退出；--convert-to后面的过滤器名写成docx:"MS Word 2007 XML"比只写docx更稳，能避免走到别的导出路径；--outdir指定输出目录，不写就落在当前目录。

提示：soffice 默认是单实例，多个进程抢同一个用户配置目录时会互相踢掉。批量转换要么串行跑，要么给每个进程指定独立的-env:UserInstallation=file:///tmp/lo_$i。

转换完成先别急着写业务代码，用soffice --headless --convert-to txt再导一份纯文本，人工扫一遍表格有没有被截断、有没有出现整行空白。这一步是后面所有清洗工作的基线，基线错了，字段校验再严也没意义。

2.3 用 python-docx 抽取月龄表格的最小代码

表格抽取的核心难点是合并单元格。python-docx 里row.cells返回的长度恒等于网格列数，被横向合并的单元格会把同一段文本重复给多个 cell；纵向合并则会让同一个对象在多行里出现。相邻去重是最省事的处理方式。

from docx import Document import re, json doc = Document("./converted/0_3岁婴幼儿发展标准.docx") rows = [] for t_idx, table in enumerate(doc.tables): for r_idx, row in enumerate(table.rows): cells = [c.text.strip().replace("\n", " ") for c in row.cells] # 横向合并会把同一文本重复塞进多个 cell，相邻去重 dedup = [c for i, c in enumerate(cells) if i == 0 or c != cells[i - 1]] if not any(dedup): continue # 整行为空，多半是装饰性空行 rows.append({"table": t_idx, "row": r_idx, "cells": dedup}) # 月龄标题常写在正文段落而不是表格里，用正则兜一遍 for p in doc.paragraphs: m = re.search(r"(\d+)\s*[~～\-—到]\s*(\d+)\s*(?:个?月|月龄)", p.text) if m: rows.append({"table": -1, "row": -1, "cells": [p.text.strip()]}) print(json.dumps(rows[:5], ensure_ascii=False, indent=2)) print("总行数:", len(rows))

关键参数与判断点：table.rows只遍历可见行，被纵向合并"吃掉"的行不会单独出现，所以不能拿它当行号溯源；doc.tables的顺序是按文档出现顺序，但文本框（w:txbxContent）里的表格不在其中，这类内容只能靠 2.2 的纯文本导出兜底；p.text不含文本框内容，这是 python-docx 的已知边界，遇到内容缺失优先怀疑它。

抽完先打印前五行和总行数，肉眼确认维度列有没有错位。错位通常意味着表头跨了两行，需要在代码里把第一行当分组表头单独处理，而不是硬按固定列索引取值。

3. 把婴幼儿发展标准文档建模成月龄-维度-里程碑表

3.1 月龄区间该存字段还是存枚举

文档里的月龄写法至少有四种：「1个月」「1-2个月」「3月龄」「0~1月」，还有「12-18个月」这种跨半年的粗粒度段。工程上最稳的做法是统一存成整数月闭区间age_start_m与age_end_m，展示时再拼回人类可读的文案。不要存字符串，否则每次查询都要解析，也没法建索引。

维度不要用中文自由文本，用固定枚举。原因很实际：文档里同时存在「社会交往」「社会情绪」「社交」三种说法，如果直接入库，按维度聚合统计时会被拆成三类，通过率永远算不对。映射关系在清洗阶段一次性定死。

3.2 建表与索引：让按矫正月龄的查询走索引

查询模式非常固定：给定一个月龄，取出所有覆盖它的条目。这种"区间包含点"的查询，只要在起始月龄上建索引，配合age_start_m <= ?就能把大部分数据过滤掉，剩下的age_end_m >= ?在结果集里过滤，成本可以接受。

CREATE TABLE milestone ( id INTEGER PRIMARY KEY, age_start_m INTEGER NOT NULL, age_end_m INTEGER NOT NULL, dimension TEXT NOT NULL CHECK (dimension IN ('gross_motor','fine_motor', 'language','cognition','social')), item_text TEXT NOT NULL, source_row INTEGER, doc_version TEXT NOT NULL, sort_order INTEGER DEFAULT 0, UNIQUE (age_start_m, age_end_m, dimension, item_text) ); CREATE INDEX idx_milestone_age ON milestone(age_start_m, age_end_m); CREATE INDEX idx_milestone_dim ON milestone(dimension, age_start_m);

UNIQUE约束是防重复导入的第一道闸。同一份文档反复清洗导入是常态，没有唯一键就得靠人工比对。CHECK约束把维度枚举钉在数据库层，比在应用层做校验更可靠——批处理脚本往往绕过应用层直接写库。source_row在排查"某条数据哪来的"时价值极高，不要嫌它占空间就省掉。

3.3 清洗脚本：全角转半角与表头黑名单

原始文本里混着全角空格、全角波浪线、项目符号，还有"续表""（续）"这类跨页标记。清洗要做得克制，只处理确定无害的部分，避免把有意义的标点也一起改掉。

import re, unicodedata HEADER_BLACKLIST = ("月龄", "发育项目", "里程碑", "大运动", "精细动作", "续表", "（续）", "(续)", "备注") def normalize(text: str) -> str: # 全角转半角，但只针对空格和常见标点，中文字符不受影响 text = text.translate(str.maketrans(" ～－（）", " ~-()")) text = unicodedata.normalize("NFKC", text) text = re.sub(r"^\s*[·•\-\*]\s*", "", text) # 去掉行首项目符号 text = re.sub(r"\s{2,}", " ", text) # 多空格压成一个 return text.strip() def is_header(text: str) -> bool: return len(text) <= 8 and any(h in text for h in HEADER_BLACKLIST) def parse_age(cell: str): nums = re.findall(r"\d+", cell) if not nums: return None lo, hi = int(nums[0]), int(nums[-1]) return (lo, hi) if lo <= hi else (hi, lo)

unicodedata.normalize("NFKC", ...)会把全角字母数字统一成半角，但对全角括号等符号的处理各家实现略有差异，所以先用translate精确替换一遍更保险。is_header用的是"短文本 + 关键词"双条件，单看关键词会把"语言"这个维度名本身误杀，加上长度限制后误判率明显下降。

重叠区间不要急着去重。文档里[0,3]和[2,4]同时覆盖 2、3 月龄是正常设计，硬去重会丢内容。正确做法是保留原始区间，查询时按维度聚合，用sort_order控制同屏展示顺序，把"同一月龄出现两条相似描述"当作展示层问题处理。

4. 用 FastAPI + SQLite 做 0-3 岁发育里程碑查询与筛查接口

4.1 矫正月龄的计算不能放在客户端

早产儿的发育评估要用矫正月龄，这是这个领域最容易被忽略、也最容易算错的一环。规则本身不复杂，但必须放在服务端统一实现：客户端系统时间不一致、月龄取整方式不一致，同一个宝宝在两台设备上算出不同结果，后面所有阈值判断都失去意义。

from datetime import date def months_between(birth: date, today: date) -> int: """按自然月计算月龄，不足一天按未满月处理""" m = (today.year - birth.year) * 12 + (today.month - birth.month) if today.day < birth.day: m -= 1 return max(0, m) def corrected_age(chrono_m: int, gest_weeks: int | None) -> int: """早产儿矫正月龄：孕周 >= 37 不矫正，矫正上限通常设到 24 月龄""" if not gest_weeks or gest_weeks >= 37: return chrono_m if chrono_m > 24: return chrono_m # 超过矫正上限，回归实际月龄 return max(0, round(chrono_m - (40 - gest_weeks) / 4.345))

4.345是平均每月的周数（365.25 / 12 / 7），用固定常量而不是自然月差，是为了让不同出生日期落在同一标准上。gest_weeks >= 37的短路判断放在最前面，避免足月儿被误矫正。矫正上限设 24 月龄是常见做法，具体数值属于业务参数，应当配置化而不是硬编码。

4.2 里程碑查询接口：区间包含查询的完整实现

from fastapi import FastAPI, Query, HTTPException import sqlite3 app = FastAPI(title="0-3 岁发育里程碑服务") DB = "milestones.db" def conn(): c = sqlite3.connect(DB) c.row_factory = sqlite3.Row return c @app.get("/milestones") def list_milestones( month: int = Query(..., ge=0, le=36, description="矫正月龄"), dimension: str | None = Query(None, description="维度，不传返回全部"), ): sql = ("SELECT id, age_start_m, age_end_m, dimension, item_text " "FROM milestone WHERE age_start_m <= ? AND age_end_m >= ?") args: list = [month, month] if dimension: sql += " AND dimension = ?" args.append(dimension) sql += " ORDER BY dimension, age_start_m, sort_order, id" with conn() as c: rows = [dict(r) for r in c.execute(sql, args)] if not rows: raise HTTPException(404, f"未找到覆盖 {month} 月龄的里程碑条目") return {"month": month, "total": len(rows), "items": rows}

Query(..., ge=0, le=36)把月龄范围约束在 0-36，越界直接返回 422 而不是查空表。sqlite3.Row加dict()是最省事的序列化方式，不需要额外 ORM。注意raise HTTPException(404)这个分支：查不到数据在业务上通常意味着文档覆盖有缺口，返回 404 比返回空数组更容易被发现，日志里能直接统计出哪些月龄段没录全。

4.3 筛查打分：条目通过率与阈值参数

打分逻辑本身很简单——每条里程碑勾"会/不会"，按维度统计未通过比例，超过阈值就提示转介。真正需要斟酌的是阈值和最小条目数：某个维度在 2 月龄只覆盖了 2 条，按比例算随便一条不过就是 50%，这个数字毫无参考价值。所以必须加最小条目数门槛。

def evaluate(passed_flags: list[bool], min_items=3, warn_ratio=0.20, fail_ratio=0.34) -> dict: n = len(passed_flags) if n < min_items: return {"status": "insufficient", "n": n, "ratio": None} fail = sum(1 for p in passed_flags if not p) ratio = fail / n status = ("refer" if ratio >= fail_ratio else "watch" if ratio >= warn_ratio else "ok") return {"status": status, "n": n, "ratio": round(ratio, 3)}

注意：这里的阈值只作为工程上的配置示例，具体数值必须由业务方与专业人员结合所选量表标定，代码里应当从配置文件读取，不要写死在函数签名里。

边界月龄是最隐蔽的坑。age_start_m <= m AND age_end_m >= m是闭区间语义，如果文档里同时存在[3,4]和[4,6]，4 月龄会把两段全返回。这在展示上是合理的（相邻阶段有重叠本就正常），但在打分时会把两段条目混在一起算比例，导致分母莫名变大。稳妥做法是在评估接口里显式传一个age_tolerance参数，或者干脆按"最近一个区间"筛选后再打分，把展示和评估拆成两条查询路径。

5. 文档改版、抽样核对与检索问答的进阶技巧

5.1 用行级哈希做两版标准文档的差量比对

标准文档会更新。第二版发下来，最危险的操作是整表删掉重导——线上已有的评估记录如果外键指过去，历史数据立刻失真。常见做法是先做差量，只增量维护。

import hashlib def row_key(r: dict) -> str: raw = f"{r['age_start_m']}|{r['age_end_m']}|{r['dimension']}|{r['item_text']}" return hashlib.md5(raw.encode("utf-8")).hexdigest() def diff(old: list[dict], new: list[dict]) -> dict: o, n = {row_key(r): r for r in old}, {row_key(r): r for r in new} return { "added": [n[k] for k in n.keys() - o.keys()], "removed": [o[k] for k in o.keys() - n.keys()], "kept": len(n.keys() & o.keys()), }

哈希的输入里刻意不含id和sort_order，只保留语义字段，这样调整展示顺序不会污染比对结果。added走 INSERT，removed走软删除（加deprecated_at字段）而不是物理删除，这样历史评估记录还能反查当时的条目原文。

5.2 抽样核对与覆盖率 SQL

自动化清洗永远需要人工兜底。抽 20 条出来，拿source_row回到转换后的 docx 原文里逐字对一遍，重点看含"能""会""可以"这类助动词的条目有没有被截断。同时用两条 SQL 体检数据完整性。

-- 哪些维度在哪些月龄段的条目数偏少，需要人工确认是否漏抽 SELECT dimension, age_start_m, COUNT(*) AS c FROM milestone GROUP BY dimension, age_start_m HAVING c < 3 ORDER BY c ASC; -- 月龄覆盖是否有空洞 SELECT m.month FROM (WITH RECURSIVE seq(m) AS ( SELECT 0 UNION ALL SELECT m + 1 FROM seq WHERE m < 36) SELECT m FROM seq) m LEFT JOIN milestone s ON s.age_start_m <= m.month AND s.age_end_m >= m.month WHERE s.id IS NULL;

第一条直接暴露稀疏区间，HAVING c < 3的数字和 4.3 里的min_items保持一致，避免两个地方口径不一。第二条用递归 CTE 生成 0-36 的完整月龄序列再左连接，一次就能看出哪几个月龄没有任何条目覆盖，这类空洞在没有校验的导入里极其常见。

5.3 把标准文档接进检索问答：先过滤月龄，再算相似度

把里程碑条目做成向量库给家长端问答用，最容易翻车的地方是纯向量召回。问「6 个月宝宝不会翻身正常吗」，相似度最高的很可能是 12 月龄的「能独立翻身」，因为文本几乎一样，只是月龄不同。正确做法是把月龄作为硬过滤条件放在检索的第一层，相似度只在过滤后的候选集里排序。

字段拼接时也建议带上月龄与维度前缀，比如6-9月龄｜大运动｜能自己从仰卧翻到俯卧，这样模型在生成回答时能直接引用出处，而不是自己推断适用年龄。检索层可以先用WHERE age_start_m <= 6 AND age_end_m >= 6把范围压到几十条，再做向量排序——候选集小了，召回错误月龄建议的概率会降到很低。把月龄过滤写进检索的第一层条件，而不是指望相似度去兜底，这是这个场景和通用文档问答最大的区别。

本文还有配套的精品资源，点击获取