用Python解析docx题库：从三支一扶试题到结构化数据

简介：2019年广西柳州市三支一扶考试补录试题及答案解析，是一份面向三支一扶备考群体的真题演练资料，尤其适合报考广西柳州地区岗位、需要熟悉当地笔试题型和难度的考生。资源包内共1个docx文档，文档约46页，整体大小仅64KB，占用空间小，下载后可在电脑或手机上直接阅读、打印，使用方便。题库内容覆盖时事政治、公共基础知识、法律常识、公文写作与处理、计算机基础等三支一扶考试常见模块，题型包括单选题、多选题、判断题，题目后均附标准答案和详细解析。解析部分不满足于简单给答案，还针对十九大报告知识点、著作权归属、管制刑期等易混淆内容进行展开说明，帮助考生理清概念、加深记忆。目前该文档已有94人学习使用，对正在系统备考三支一扶笔试的考生来说，既可用于考前冲刺刷题，也可作为日常巩固复习的题库资源，具有直接的参考和练习价值。

1. 一份三支一扶补录 docx 里，藏着哪些可复用的文档解析问题

拿到一份 46 页的《2019年广西柳州市三支一扶考试补录试题及答案解析.docx》，大多数人会直接打开 Word 看看，但如果你要做刷题小程序、题库系统，或者想按知识点统计考点分布，就必须先把这份 docx 拆成结构化的题目数据。真正的难点不在题目本身，而在于这份文档的排版几乎把所有解析场景的坑都集齐了：题号用“1、”也有用纯数字的，选项有的换行有的不换行，判断题只有题干没有 ABCD 选项，答案里还出现过“略”，多选、单选混在一起，答案符号既有【答案】也有直接“答案：”。虽然只是一份地方考试补录材料，但把它解析干净，能顺手解决掉一批同类题库文档的结构化问题。

2. 从 .docx 到干净题库：文本抽取、段落切分与答案标记清洗

把 Word 文档变成可入库的数据，第一步不是写复杂算法，而是先把 XML 里的段落读出来。docx 本身是 zip 包，python-docx 封装好了解析逻辑，能稳定拿到段落和表格。常见做法是先逐段读取非空文本，再在内存里做切分和清洗，避免反复打开文件。

2.1 用 python-docx 批量抽取正文与题干

先写一个最基础的抽取函数，把每个自然段连同它在文档中的索引号捞出来。索引号很重要，后面校验解析结果时，能直接定位到原文档的某个段落。

from docx import Document def extract_paragraphs(docx_path: str): doc = Document(docx_path) paras = [] for i, para in enumerate(doc.paragraphs): text = para.text.strip() if text: # 过滤空段，保留有内容的段落 paras.append((i, text)) return paras

这个函数返回的是一个由“(段落索引, 文本)”组成的列表。段落索引用来和 Word 原文对照，文本去掉了首尾空白。不要在抽取阶段做太激进的清理，比如替换换行、合并列表，否则后续很难判断某一行属于题干还是选项。

2.2 题干、选项、答案的切分策略

观察这份补录试题的排版，可以看到几类固定模式：题目以“1、”这种数字加顿号开头，选项是“A、”到“D、”，答案用“【答案】X”标注，解析用“【解析】”开头。判断题没有选项，答案直接是“正确”或“错误”。写解析脚本时，我用三个正则分别匹配这三种关键位置。

import re Q_START = re.compile(r'^(\d{1,3})[、．.](.+)$') # 匹配题目起始行 OPT_START = re.compile(r'^([A-DＡ-Ｄ])[、．.](.*)$') # 匹配选项行 ANS_PATTERN = re.compile(r'【答案】([A-D]+|正确|错误|对|错|略)')

参数说明：\d{1,3}限制题号长度，避免把解析里的页码误判为题目；[、．.]同时兼容中文和英文标点；[A-DＡ-Ｄ]覆盖全角选项字母。这样设计是为了让后面清洗环节少处理一类问题。匹配到Q_START时，说明前一道题结束，新题目开始；匹配到OPT_START时，把它追加到当前题目的选项列表；命中ANS_PATTERN则记录答案。

实际操作时，选项不一定每行都完整。原文档里出现过“A、某地 B、某地”写在同一行的情况，所以不能只按行切分。我会先按题目拆分，再把选项部分用re.split按[A-D]切段，最后补上缺失的选项字母。

2.3 正则清理与特殊字符处理

从 docx 里读出的文本常带着全角空格、不换行空格、弯引号这类字符。答案比对时，全角顿号和半角逗号会直接影响【答案】AB这种多选答案的解析。我习惯在建表前做一层归一化。

def normalize(text: str) -> str: text = text.replace('\u3000', ' ') # 全角空格转半角 text = text.replace('\xa0', ' ') # 不换行空格转半角 text = text.replace('：', ':') text = text.replace('（', '(').replace('）', ')') text = re.sub(r'[ \t]+', ' ', text) return text.strip()

normalize在读取段落之后、进入业务解析之前调用。注意不要用str.lower()统一选项字母，因为多选题答案“AB”和选项字母“A、B”大小写含义不同，统一小写反而会让后续展示层多一步转换。全角括号统一为半角，是为了让“单项选择题（共3题）”这类题组说明能被正确识别。

2.4 解析效果的验证：抽样比对

解析完成不等于解析正确。一份 46 页的 docx，人工数题号都要花几分钟，脚本跑完却只有几秒，必须验证结果。我常用的办法是：统计解析出的题目总数、每种题型的数量、答案覆盖率，再和原文档的目录或题目标号做交叉核对。

抽样时不要只抽前几页，docx 后半部分的排版往往更乱。我一般会抽第 1 题、第 N/2 题和最后 3 题，分别确认题号、选项、答案三部分都完整。

3. 结构化存储与题型分类：单选题、多选题、判断题的自动判别

文本切分完成后，还要解决“这题到底属于什么题型”的问题。原文档里虽然没有显式写“单选题”“多选题”，但题干末尾或选项形式已经给出了信号。判断题没有选项，答案只能是“正确”或“错误”；多选题答案至少有两个字母；单选题答案只有一个字母。

3.1 题型识别特征与分类模型

不引入机器学习，用规则判定就足够。我把识别逻辑拆成三个特征：题干中是否含“多选”“多项”；答案长度是否大于 1；选项数量是否为 0。按优先级组合就能分类。

def classify_question(q: dict) -> str: stem = q.get('stem', '') if '多选' in stem or '多项' in stem: return 'multiple' if q.get('options'): if len(q.get('answer', '')) > 1: return 'multiple' return 'single' if q.get('answer') in ('正确', '错误', '对', '错'): return 'judge' return 'unknown'

这里返回的是英文类型，方便写进数据库。len(q['answer']) > 1有一个前提：答案字符串必须已经被 normalize 过，否则“A, B”这种会被算成 4 个字符。所以在进入classify_question之前，要把答案里的逗号、顿号全部去掉，只保留字母。

3.2 落库到 SQLite 的表结构与字段设计

题库数据建议先落到 SQLite，后续导出 JSON 或接入 Web 接口都方便。我设计两张表：questions存题目主体，options存选项。选项拆开存是为了支持动态渲染，也方便统计选项分布。

CREATE TABLE IF NOT EXISTS questions ( id INTEGER PRIMARY KEY AUTOINCREMENT, doc_id TEXT, q_no INTEGER, q_type TEXT, stem TEXT, answer TEXT, analysis TEXT, created_at TEXT DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE IF NOT EXISTS options ( id INTEGER PRIMARY KEY AUTOINCREMENT, question_id INTEGER, opt_key TEXT, opt_text TEXT, FOREIGN KEY (question_id) REFERENCES questions(id) );

字段说明：doc_id存源文档的标识，比如“2019lz-three-support”这种自定义编码；q_no保留原文档题号，方便和纸面对照；q_type存single、multiple、judge；analysis原样保存解析文本，即使只有“略”也保留。选项表用opt_key存“A”“B”，opt_text存选项内容。这样无论后续做网页展示还是接口输出，都不用再重新写清洗逻辑。

3.3 从题库到在线练习接口的映射

结构化之后，生成一个刷题接口的 JSON 响应就非常直接了。把数据库里的记录按题目维度组装成嵌套结构，前端只需要按字段渲染。

def questions_to_json(db_path: str): import sqlite3, json conn = sqlite3.connect(db_path) conn.row_factory = sqlite3.Row cur = conn.cursor() cur.execute(""" SELECT q.*, o.opt_key, o.opt_text FROM questions q LEFT JOIN options o ON o.question_id = q.id ORDER BY q.q_no, o.opt_key """) rows = cur.fetchall() items = {} for row in rows: qid = row['id'] if qid not in items: items[qid] = { "id": qid, "no": row['q_no'], "type": row['q_type'], "stem": row['stem'], "answer": row['answer'], "analysis": row['analysis'], "options": [] } if row['opt_key']: items[qid]["options"].append({"key": row["opt_key"], "text": row["opt_text"]}) conn.close() return json.dumps(list(items.values()), ensure_ascii=False, indent=2)

这段代码用一条 SQL 完成联表查询，再在 Python 里按question_id聚合。注意row_factory设置为sqlite3.Row，这样字段名可以直接用，比元组下标清晰。接口返回的answer字段要不要隐藏，取决于业务需求；如果做练习模式，通常由前端控制显示，后端仍返回原文。

4. 常见解析陷阱：题号断页、缺答案、选项换行、全角符号

即使上面这套流程跑通了，真正处理真实文档时仍然会掉进几个深坑。这些坑在别的题库文档里也普遍存在，值得单独列出来。

4.1 46 页长文档的断页与题号错位

长文档从第 10 页开始，Word 会自动把题目和选项拆到两页。比如第 12 题题干在第 8 页末尾，选项跑到第 9 页开头。python-docx 读到的段落本身是连续的，所以不会真的“丢内容”，但如果你用 PDF 转文本再处理，就会遇到断页问题。处理方案是：优先使用 docx 源文件而不是 PDF；如果只有 PDF，需要按页码保留段落，然后做“跨页拼接”——判断一个段落是否以选项字母开头，若是则追加到上一题解析缓冲区的末尾。

对于 docx，还需要注意分页符和分节符。有的文档会在题目中间插入分页符，读出来是一个空段，过滤空段即可，但如果分页符出现在“A、”和选项正文之间，就要把下一段非空文本也归入选项。

4.2 答案缺失与“略”处理

原文档里出现过“【答案】略”，这是出题方为了省篇幅写的。解析时不能把“略”当作答案存进answer字段，否则刷题程序会认为判断题答案是“略”。我的处理策略是：当答案正则匹配到“略”时，将answer置为空字符串或NULL，同时在analysis里保留“略”字；另外记录一个标志字段answer_missing，方便后续人工补录。

ans_match = ANS_PATTERN.search(text) if ans_match: raw = ans_match.group(1) if raw == '略': q['answer'] = '' q['answer_missing'] = True else: q['answer'] = ''.join(re.findall(r'[A-D]', raw)) # 去掉顿号逗号

注意re.findall(r'[A-D]', raw)只保留大写字母，但原文档也可能出现“abcd”小写。稳妥的做法是先对答案片段做一次upper()，再来提取。判断题的“正确”“错误”不会被这个正则提取到，因为[A-D]匹配不到汉字。

4.3 全角半角归一化

docx 文本里经常混入全角括号、全角数字、全角字母。全角数字“１”用isdigit()判断是 True，但int()转换会报错；全角字母“Ａ”和半角选项“A”在正则里显然是不同的字符。最省事的方案是做一个全角到半角的转换表。

def fullwidth_to_halfwidth(s: str) -> str: result = [] for ch in s: code = ord(ch) if code == 0x3000: code = 0x20 elif 0xFF01 <= code <= 0xFF5E: code -= 0xFEE0 result.append(chr(code)) return ''.join(result)

这段代码覆盖了常用全角字符，包括全角括号、全角句号、全角字母数字。把它放在normalize之前执行，后续所有正则和题目判断都基于统一字符集。注意不要对中文汉字做转换，这个函数只处理0xFF01到0xFF5E的范围，刚好避开 CJK 统一汉字区。

4.4 清洗后的质量校验清单

我给自己定了一份固定的校验清单，每次解析完都要过一遍：

• 题目数：解析出的题号是否连续无断号。
• 选项完整性：每个单选/多选题目是否有且仅有 2-4 个选项，选项字母是否连续。
• 答案格式：单选题答案长度为 1，多选题答案长度在 2 以上，判断题答案为“正确/错误”或“对/错”。
• 解析文本：是否含有“解析”关键字，允许为空但不应把“略”当作解析主体。
• 原文回查：随机抽 5 个题目，用段落索引在 Word 里定位，人工比对内容。

这份清单不放在脚本里也行，但至少要在导出数据之前人工过一次。题库数据的正确性比代码优雅更重要，因为一道题的答案错了，整个练习功能就失去了意义。

5. 解析失败时的排错手段：日志、样本回放与差异对比

脚本解析完一批文档后，如果统计出来的题目数和预期不符，需要快速定位问题。最常见的做法是在解析管道的每个阶段写日志，记录关键计数和异常样本。

5.1 分阶段日志与断言

我习惯用标准库logging记录三个阶段：读取段落、切分题目、清洗答案。每个阶段结束后输出当前累计的题目数和最后一个题号。

import logging logging.basicConfig(level=logging.INFO, format='%(asctime)s %(levelname)s %(message)s') def parse_docx(docx_path): paras = extract_paragraphs(docx_path) logging.info(f"parsed {len(paras)} non-empty paragraphs") questions = split_questions(paras) logging.info(f"split {len(questions)} questions") clean_questions(questions) logging.info(f"cleaned {len(questions)} questions, last_no={questions[-1]['q_no'] if questions else None}") # 也可以加上断言 assert len(questions) >= 1, "no question found" for q in questions: assert q['q_no'] > 0, f"invalid q_no: {q}" return questions

断言只做基本一致性检查，不要在这时候验证答案正确性，因为“略”和人工改动都可能触发误报。日志的作用是让你快速判断是哪个阶段的处理出了问题：如果paragraphs很少，说明 docx 路径不对或文件是加密的；如果questions数量比预期少，大概率是Q_START正则匹配不到某些题号写法。

5.2 人工复核样本的选择

让程序自己报告“完成了”，比不上让程序把可疑样本打印出来。我一般会收集三类样本：题号不连续的题目、选项数量异常（超过 4 个或只有 1 个）的题目、答案为空但原文档有答案的题目。把这些样本按原文档顺序输出到一个文本文件，人工逐个核对。

suspects = [] for q in questions: if q['q_no'] != expected_no: suspects.append((q['para_idx'], q['stem'])) expected_no += 1

expected_no从 1 开始，如果某个题号跳过了，就记录当前的段落索引和题干前 20 个字符。这样人工回看时，直接搜索题意就能定位原文档位置。

5.3 对比原文档与解析结果的差异报告

如果确认脚本逻辑没有大问题，但总有一两道题解析不对，可以做一次“全量差异导出”。做法是写一个脚本，把原文档段落和解析结果按段落索引对齐，输出一个 Markdown 或 HTML 表格，左右两列分别是原文和解析后的结构化字段。

我不建议在这种报告里用复杂代码，直接用 Python 写个迭代器遍历就行。关键点在于排序：原文档段落顺序和析出的question_id不能混排，否则差异报告看了也白看。差异报告主要看三个地方：题干是否被截断、选项是否错位、答案是否采集到相邻题目的内容。如果发现采集到相邻题目的答案，通常是Q_START匹配到了“10、”这种含全角数字的题号，导致一道题被拆成两段。

6. 批量处理同类考试补录文档的脚本骨架

本地一份文档解析成功后，后续会碰到格式类似的文档，比如其他年份、其他地市的补录试题。把解析流程封装成一个可重复调用的 pipeline，能省下大量重复劳动。

6.1 一个可复用的 pipeline 函数

下面这段代码把所有阶段串起来，输入 docx 路径，输出一个 JSON 文件，同时把解析统计打到标准输出。

import re, json, logging from docx import Document def pipeline(docx_path, output_json): paras = extract_paragraphs(docx_path) questions = split_questions(paras) for q in questions: normalize_question(q) with open(output_json, 'w', encoding='utf-8') as f: json.dump(questions, f, ensure_ascii=False, indent=2) logging.info(f"done: {len(questions)} questions -> {output_json}") return questions

split_questions和normalize_question需要按前面第二、三章的逻辑实现，这里不再展开。pipeline 函数本身不做文件校验，由调用方决定是否提前检查 docx 大小等。这样设计的好处是，每个环节可以单独调试：如果不确定某一步，就在函数内部加日志或断点，而不是调整整个管道。

6.2 参数化配置与输出格式

批量处理时，不同文档的题号分隔符可能不同。上一份是“1、”，下一份可能是“1.”或“第1题”。我一般把这些正则模式放到一个配置字典里，由 pipeline 的参数接收。

PATTERNS = { "q_start": r'^(\d{1,3}[、．.])', "opt_start": r'^([A-DＡ-Ｄ][、．.])', "answer_marker": r'【答案】|答案[:：]' } def pipeline(docx_path, output_json, patterns=None): if patterns: PATTERNS.update(patterns) # ...

这样做的好处是，遇到新格式时不需要改核心代码，只要改配置。比如某份文档的答案写成了“参考答案：B”，只需要把answer_marker的正则替换成对应格式即可。注意，不要为了参数化而把正则字符串直接暴露给非技术人员，配置字典最好放到一个单独的config.py文件里。

输出 JSON 的格式也应保持稳定。我通常会输出一个包含meta和questions的对象，meta里记录源文件名、解析时间、题目总数，便于后续审计。这样无论哪个脚本消费这份 JSON，都能拿到足够的上下文信息。

6.3 验证：用新文档跑一遍

封装好 pipeline 后，建议立刻找一份新的同类 docx 跑一遍，不要只用原来那份做验证，否则容易过拟合到已知格式。新文档跑完，看三件事：

1. 题目总数是否落在合理区间（比如 40-60 道之间）。
2. 单选题、多选题、判断题的占比是否正常。
3. 答案字段中是否出现空值，空值比重是否超过 5%。

如果空值过多，优先检查新文档的答案标记，很可能不是“【答案】”，而是“答:”。这时候只需要更新配置里的answer_marker，重新跑一遍 pipeline，不需要改动解析逻辑。把这次调整记录下来，顺便扩充你的PATTERNS字典，下次遇到类似格式就直接命中。

这套处理方式做完以后，从 docx 到结构化题库的时间基本能压缩到几分钟以内，剩下的工作集中在校验和人工补录，而不是反复和 Word 排版搏斗。最后再提醒一句，原始 docx 最好保留一份只读副本，解析脚本永远在副本上操作，避免误修改源文件。

本文还有配套的精品资源，点击获取