# **RVW V2.0 表格提取疑难杂症专项解决方案**

**问题焦点：** Word 表格“假行”现象（单元格内多段落）导致的提取错位

**核心策略：** 从“视觉模型”回归“DOM 深度解析”

**技术栈：** Python (python-docx)

## **1\. 核心判断：为什么不建议全量上视觉模型？**

您提到用视觉模型（Vision Model，如 GPT-4V, Qwen-VL）来识别，这听起来很诱人（所见即所得），但在**数据侦探**场景下有致命缺陷：

| 维度 | 视觉模型 (VLM/OCR) | 原生解析 (python-docx) | 结论 |
| :---- | :---- | :---- | :---- |
| **数值准确性** | **95%\~99%** (存在幻觉风险) | **100%** (直接读取 XML) | ❌ 审计场景不能有 1% 的误差 |
| **小数点敏感度** | 可能漏读小数点 (0.05 \-\> 005\) | 绝对精准 | ❌ P 值验证的核心 |
| **对齐能力** | 强 (能看懂视觉对齐) | 弱 (需算法辅助) | ✅ 视觉模型优势 |
| **成本/速度** | 高/慢 (需 GPU 推理) | 极低/极快 (CPU 解析) | ❌ 影响并发性能 |

**决策：**

**“数据”必须信赖 XML（代码），“结构”可以用算法还原。** 我们不需要视觉模型来看数字，我们只需要一段更聪明的 Python 代码来拆解段落。

## **2\. 现象诊断：什么是“隐性多行”？**

在您的截图中，Word 表格的一行（Row）内部，用户使用了 **回车键 (Enter)** 或 **软回车 (Shift+Enter)** 进行了换行。

**python-docx 的默认行为：**

cell.text 会把这些段落拼接成一个字符串，例如 "DNT时间段\\n\<45 min\\n45\~60 min"。前端 HTML 渲染时，如果没有处理 \\n，或者对应列的行数不匹配，就会导致错位。

## **3\. 解决方案：行分裂算法 (Row Explosion)**

我们需要在提取阶段，检测这种情况，并将“逻辑上的一行”分裂成“视觉上的多行”。

### **3.1 算法逻辑**

1. **扫描 (Scan)**：遍历表格的每一行。  
2. **检测 (Detect)**：检查该行每一列的 **段落数量 (Paragraph Count)**。  
   * 例如：Col 1 有 4 个段落，Col 2 有 4 个段落，Col 3 只有 1 个段落（如 P 值）。  
3. **分裂 (Explode)**：  
   * 取最大段落数 max\_para (如 4)。  
   * 如果 max\_para \> 1，则将此行**分裂**为 4 个新行。  
4. **填充 (Fill)**：  
   * 对于原本有多段落的列：按顺序填充到新行。  
   * 对于只有 1 个段落的列（如 P 值 0.001）：  
     * *策略 A（重复）*：每行都填 0.001。  
     * *策略 B（首行/合并）*：只填第一行，后面留空（前端处理为合并单元格）。

### **3.2 代码实现 Demo**

请让 Python 工程师在 DocxTableExtractor 中加入以下逻辑：

from docx import Document  
import pandas as pd

def explode\_word\_table\_rows(table):  
    """  
    高级表格提取：处理单元格内的多段落（隐性多行）  
    """  
    structured\_data \= \[\]

    for row in table.rows:  
        \# 1\. 获取该行每一列的段落内容列表  
        \# cells\_content 结构: \[ \['DNT时间段', '\<45min', ...\], \['1299', '881', ...\], \['X2=..'\] \]  
        cells\_content \= \[\]  
        for cell in row.cells:  
            \# 过滤掉空段落，获取真实文本行  
            paras \= \[p.text.strip() for p in cell.paragraphs if p.text.strip()\]  
            if not paras:  
                paras \= \[""\] \# 保持占位  
            cells\_content.append(paras)

        \# 2\. 计算该行“分裂”的最大高度  
        max\_height \= max(len(c) for c in cells\_content)

        \# 3\. 如果是标准单行，直接添加  
        if max\_height \<= 1:  
            flat\_row \= \[c\[0\] if c else "" for c in cells\_content\]  
            structured\_data.append(flat\_row)  
            continue

        \# 4\. 执行分裂 (Row Explosion)  
        \# 针对每一层（visual\_row\_index），构建一行数据  
        for i in range(max\_height):  
            new\_row \= \[\]  
            for col\_idx, cell\_paras in enumerate(cells\_content):  
                \# 策略：如何填充？  
                if len(cell\_paras) \> 1:  
                    \# 情况 A：该列有多行，按顺序取  
                    \# 如果当前层级超过了该列的行数，填空（或填最后一行）  
                    val \= cell\_paras\[i\] if i \< len(cell\_paras) else ""  
                else:  
                    \# 情况 B：该列只有一行（通常是统计值 P值）  
                    \# 只有第一行填值，模拟“合并单元格”的视觉效果  
                    \# 或者：val \= cell\_paras\[0\] (全部重复填充) \-\> 方便后续计算  
                    val \= cell\_paras\[0\] if i \== 0 else ""   
                  
                new\_row.append(val)  
            structured\_data.append(new\_row)

    return pd.DataFrame(structured\_data)

\# 使用示例  
\# doc \= Document("sample.docx")  
\# df \= explode\_word\_table\_rows(doc.tables\[0\])  
\# print(df)

## **4\. 前端渲染的配合**

为了让“数据侦探”的高亮定位准确，后端返回的数据结构必须包含**分裂后的坐标映射**。

**推荐的数据结构升级：**

{  
  "row\_id": "r4\_exploded\_0", // 原始第4行，分裂后的第0子行  
  "is\_virtual": true,        // 标记这是分裂出来的行  
  "cells": \[  
    { "text": "\<45 min", "source\_cell": "R4C1", "paragraph\_index": 1 },  
    { "text": "881 (46.59)", "source\_cell": "R4C2", "paragraph\_index": 1 },  
    { "text": "", "source\_cell": "R4C3", "is\_merged\_placeholder": true } // P值列留空  
  \]  
}

**前端展示逻辑：**

* 当后端返回 is\_merged\_placeholder: true 时，前端渲染时不显示内容，或者通过 CSS 渲染为合并单元格的样式（即不画上边框）。

## **5\. 总结**

1. **别用视觉模型**：准确率风险太大，得不偿失。  
2. **用代码“分裂”段落**：Word 的 cell.paragraphs 是您的救星。  
3. **对齐策略**：通常临床表格中，如果一列有多行，另一列只有一行（如 P 值），那一行 P 值通常是对齐第一行或者居中的。在做\*\*数据验证（L1/L2）\*\*时，我们需要编写逻辑：*“如果检测到分裂行，且 P 值列为空，自动向上寻找最近的一个 P 值作为本行的验证依据。”*

**实施建议：**

请 Python 工程师立即测试上述 explode\_word\_table\_rows 逻辑。这能解决您 90% 的“HTML 只有一行”的问题。