从Word试卷到题库：Python提取数学试题与结构化分析实践

简介：这套由吉林多所名校联合命制的2017年七年级下学期第一次月考数学卷，适合刚进入下学期的学生用于阶段自测，也适合教师用来评估教学进度、家长辅助家庭辅导。试卷依据课标和命题要求设计，包含选择、填空、解答等多种题型，在数与代数方面覆盖整数、分数、小数的运算及方程化简，几何部分涉及线段、角度、三角形和四边形的性质与简单证明，统计与概率板块包含图表绘制、平均数、中位数、众数计算及基础事件概率，同时穿插图形平移、旋转、对称等变换问题，并通过实际情境锻炼数学思考与估算能力。资源包内为1个doc文档，大小2.29MB，除完整试题外还配有逐题答案解析，便于学生核对思路、教师分析典型错因；目前已有110人学习浏览。无需注册即可免费下载，既能作为考前模拟卷使用，也可为校本命题或备课提供参考样例。

1. 一份旧试卷比新题库更值得拆解的地方

一份标题叫《吉林名校调研（省命题）2017年七年级下第一次月考数学试卷及答案精选.doc》的旧文档，多数人只会拿它当过期教辅。但换个角度，它是一份完整带答案与解析的数学试题数据集：题目组织、难度排布、答案规范全在文件里。对做教育数据、题库清洗、学情分析甚至智能组卷的人来说，“省命题”卷的真实度远高于网络随机拼题，适合用来验证解析脚本和知识点标注规则。

文档覆盖七年级下学期第一次月考范围，也就是相交线与平行线、实数、平面直角坐标系这些内容。结构基本可预测：选择题、填空题、解答题，题号连续。熟悉这套结构后，从Word里把题目和答案拆出来，写一次脚本，后续同类试卷就能批量处理。学生刷题、老师做阶段评价、开发者拿它当高质量语料，各取所需。

2. 从Word文档逆推出试卷的知识点结构与题型骨架

分析试卷之前，先要看清它的文体层。省命题卷在排版上有很强惯性，这既是便利也是约束。便利在于规则稳定，约束在于个别学校会改动题号或插入附加题。先把这种结构拆出来，再谈识别。

2.1 为什么2017年“省命题”卷适合做结构分析

省命题卷与市统考、学校随堂卷不同，题目经过教研审核，每道题对应的课标条目更清晰。而且这类卷子通常以免费文档形式传播，没有加密层，适合做文本提取。比起扫描版PDF，Word文档天然带段落样式和表格，题号、选项、答案的换行规律相对稳定，给自动标注提供了可复现的基础。2017年的卷子已经足够老，知识点与当前课标接近，又不会太旧到出现大幅删改，做历史题库时是很合适的种子语料。

七年级下学期第一次月考的内容，按当时进度一般在相交线与平行线、实数、平面直角坐标系等章节内出题。这套“精选”文档中，答案和解析是齐全的。做自动分析时，第一步不是让机器学习读题，而是先观察文档的物理结构：题号以“1．”“2．”或“一、选择题”这样的标题开头，选项多夹在题干后或另起一段，答案与解析则集中在文档后半部分。识别这些结构，往往比直接做语义识别更可靠。

这张表描述的是该阶段常见卷的布局。实际拿到文档后，我会用下面的方式验证布局假设：统计“选择题”这个关键词出现的位置，把文档前半段和后半段分开检索，看答案区与题目区的分界点在哪一段。

2.2 识别题型与答案的通用标注规则

所有题型识别都基于文本模式。经典逻辑是：先按换行拆分段落，再根据段落首部匹配题号，然后在段落内部按A. B. C. D.切出选项。对解答题，则以“解答题”或“三、”为进入标记。下面这个例子只依赖标准库的re，可以跑在离线环境，正好适合处理这类Word导出的文本。

import re def detect_question_block(text): # 将文本按照行切分，去掉空行 lines = [ln.strip() for ln in text.splitlines() if ln.strip()] questions = [] current = None for line in lines: # 匹配 1. 1． 1、 三种题号写法 m = re.match(r'^(\d+)[.．、]\s*(.*)', line) if m: if current: questions.append(current) current = {'qid': m.group(1), 'body': m.group(2), 'options': [], 'answer': None} else: # 匹配 A. B. C. D.，也兼容 A． opt = re.match(r'^([A-Da-d])[.．、]\s*(.*)', line) if opt and current is not None: current['options'].append(f"{opt.group(1)}: {opt.group(2)}") elif current is not None: current['body'] += " " + line if current: questions.append(current) return questions

逻辑说明：函数把文本切成非空行后，逐行做两件事：匹配题号，或者匹配选项。匹配到新题号时，将前一道题推入结果列表。选项单独保存，没有匹配到的普通行拼接到题干后面，避免题干被换行截断。qid字段保留字符串类型，方便后续排序；options统一改成“A: 内容”的格式，省去原始分隔符差异。

参数说明：正则^(\d+)[.．、]同时兼容英文句点、中文句号和顿号，因为教辅文档里经常混用。[A-Da-d]只匹配单字母选项，如果文档出现“(A)”这种带括号的，正则要改成^[\(（]?([A-Da-d])[\)）]?[.．、]。处理真实文件时，我会先用chardet做字符集检测，再决定以什么编码打开文本，否则很容易被UnicodeDecodeError卡住。

提示：从Word里复制的文本段落经常带大量空白和制表符，建议在切行前先用re.sub(r'[ \t]+', ' ', text)把连续空白收敛成单个空格，降低干扰。

这一层的本质不是自然语言理解，而是把版面位置转化为键值结构。后面无论做题库还是学情分析，都基于这一层结构化结果。另外需要注意，七年级下第一次月考的图形题较多，纯文本抽取只能看到“如图”这类占位词，真正的图形需要单独处理，这正好是第三章要解决的问题。

3. 用python-docx把月考试卷拆成可检索的题目清单

上一篇的结构化偏重“从文本到题号”，但实际拿到的文档是.doc二进制格式，直接用文本方式打开会看到乱码。所以要先解决格式兼容问题，再用docx接口拆解段落与表格。

3.1 先处理.doc的老格式兼容问题

原始文件名是.doc，python-docx只支持Office Open XML格式，直接打开会抛异常。常见做法是先用LibreOffice或Word把文件转成.docx，再从.docx抽取。如果机器上装了LibreOffice，一条命令可以批量转换：

soffice --headless --convert-to docx --outdir ./converted ./input/JL2017.doc

命令说明：--headless要求不启动GUI，--convert-to docx指定目标格式，--outdir指定输出目录，最后给输入文件路径。转换产生的排版差异基本不影响文本内容。如果环境是Windows且没有LibreOffice，可以用COM调用Word的Document.SaveAs，但那会逐个启动进程，不适合批量跑，我一般优先用LibreOffice。

如果转换后的docx里面找不到图片，先确认原.doc是否包含OLE嵌入对象，而不是普通图片。LibreOffice在转换时可能只是重新封装OLE，这种情况需要先转PDF再从PDF截图像，我会在3.3里给出参考做法。

3.2 按段落和表格抽取题目与答案

python-docx的接口很直接：Document.paragraphs返回所有段落，Document.tables返回所有表格。一套试卷的题干、选项、答案在文档里往往以多个连续段落出现，答案和解析可能被写成表格放在文档末尾。下面的代码演示如何把段落文本和表格都捞出来。

from docx import Document def extract_docx_structure(path): doc = Document(path) body = [] for p in doc.paragraphs: style = p.style.name if p.style else '' # 全角空格统一成半角，保留题干内换行 text = p.text.strip().replace('\u3000', ' ') if text: body.append({'style': style, 'text': text}) for i, table in enumerate(doc.tables): rows = [] for row in table.rows: cells = [c.text.strip().replace('\u3000', '') for c in row.cells] rows.append(cells) body.append({'style': f'TABLE_{i}', 'text': rows}) return body path = 'converted/JL2017.docx' struct = extract_docx_structure(path) for item in struct[:10]: print(item)

逻辑说明：这里将段落和表格统一抽象成列表元素，用style和text区分。段落的style能帮助识别“一、选择题”这类标题，表格数据在答案匹配时很有用，因为很多Word版的解析表会把题号、答案、分值放在同一行的不同单元格里。replace('\u3000', ' ')是处理全角空格导致的切分问题，先替换成半角，后面统一清洗。

参数说明：doc.tables中的row.cells在遇到合并单元格时可能返回同一个对象多次，去重需要通过单元格的_tcid，或者干脆按文本值去重。答题区经常出现“B．”这种带中文句号的选项，清洗时要把全角句号转半角；如果你只需要题目文本，可以后面再做过滤，但保留全部结构更保守。

3.3 清洗脏数据：题号、空格、图片占位

Word转存后常见三种脏数据。第一种是题号后面跟制表符或全角空格，导致split出错；第二种是选择题选项被自动编号成数字而不是A、B、C、D；第三种是几何题的图片在文本层只剩一个空行或“图”字。下面这两个函数分别处理文本归一化和图片抽取：

import re import os import zipfile def clean_question_text(raw: str) -> str: # 全角空格转半角，制表符变空格 s = raw.replace('\u3000', ' ').replace('\t', ' ') # 连续空白压成一个空格，便于正则匹配 s = re.sub(r'[ \t]+', ' ', s) # 把题号后的中文句号统一成半角点 s = re.sub(r'^(\d+)[.．、]', r'\1.', s) return s.strip() def extract_images_from_docx(path, out_dir='imgs'): os.makedirs(out_dir, exist_ok=True) with zipfile.ZipFile(path) as z: names = [n for n in z.namelist() if n.startswith('word/media/') and not n.endswith('/')] for i, name in enumerate(names): data = z.read(name) ext = name.rsplit('.', 1)[-1] if ext.lower() not in ('png', 'jpg', 'jpeg', 'gif'): ext = 'img' with open(os.path.join(out_dir, f'img_{i}.{ext}'), 'wb') as f: f.write(data) return len(names)

逻辑说明：clean_question_text不改变题干，只把标点和空白归一化，例如全角空格转半角、题号后的全角句号转半角点。extract_images_from_docx利用docx就是zip包的特性，从word/media目录里把图片全部解出，按出现顺序编号。返回的图片数量可以用来和题目数量做对比，如果某道几何题没有对应图片，多半是原文档里用了文本框而不是嵌入图。

参数说明：zipfile.ZipFile可以直接处理.docx，因为它的本质是zip压缩包。names列表按文档打包顺序返回，通常对应插入先后，但顺序并非绝对可靠，严谨的做法是读取word/document.xml里的r:embed关联，这里不做展开。过滤掉文本扩展名是为了防止把字体文件当图片导出。

提示：如果在转换后的docx里找不到图片，优先检查原.doc是否为OLE嵌入格式。LibreOffice对OLE对象只是重新封装，不会变成可解出的JPG；这种情况建议改用soffice --convert-to pdf，然后再用PDF渲染器把页面转成PNG，代价是图片位置需要用坐标来对齐。

最后在跑完整流程前，建议先做一次统计：段落总数、表格数、图片数，以及“选择题”标记出现的次数。如果题号最多到20，但选择题只有15道，说明中间混入了填空题，这时候要把detect_question_block和当前章节状态结合，而不是单纯依赖题号连续。

4. 把试题和答案解析改造成离线题库数据表

在第3章拿到文档的段落和表格后，接下来的任务是把这些松散结构变成统一的数据表。这样无论是做练习系统还是导成Excel，脚本都只需要读一遍数据接口。

4.1 字段设计：从文本片段到结构化记录

将每道题变成一个字典，字段包括 id、题型、题干、选项、答案、解析、知识点、来源文件。答案和解析从文档末尾答案表提取，而不是靠自然语言推理，这样才能保留原卷权威性。字段表如下：

字段设计的核心是保证id可追溯。2017JL_前缀能避免后续合并多个学校试卷时冲突。答案区和题目区分离的试卷，必须先把题目读出来，再拿题号去答案表里回填答案，否则会出现题干和答案错位。

4.2 用Python生成JSON题库

下面这段代码把第3章的struct转成题库JSON，并演示如何从表格行回填答案。它假设答案表的结构是“题号 | 答案 | 解析”三列，这也是Word试卷最常见的组织方式。

import json import re def guess_section(style_name: str) -> str: if '选择' in style_name: return '选择' if '填空' in style_name: return '填空' return '解答' def build_question_bank(struct): bank = [] cur = None in_answer_section = False for item in struct: text = item.get('text', '') # 表格元素可能是答案表 if isinstance(text, list): for row in text: if row and len(row) >= 2 and str(row[0]).strip().isdigit(): bank = attach_answer(bank, row) continue if '答案' in text and '解析' in text and '选择题' in text: in_answer_section = True continue if in_answer_section: continue m = re.match(r'^(\d+)\.\s*(.*)', text) if m: if cur: bank.append(cur) cur = { 'id': '2017JL_' + m.group(1), 'stem': m.group(2).strip(), 'options': [], 'answer': '', 'analysis': '', 'knowledge': '', 'section': guess_section(item.get('style', '')) } else: opt = re.match(r'^([A-Da-d])[.．、]\s*(.*)', text) if opt and cur is not None: cur['options'].append(f"{opt.group(1).upper()}: {opt.group(2).strip()}") elif cur is not None: cur['stem'] += " " + text.strip() if cur: bank.append(cur) return bank def attach_answer(bank, row): qid = '2017JL_' + str(row[0]).strip() for q in bank: if q['id'] == qid: q['answer'] = row[1].strip() if len(row) > 2: q['analysis'] = row[2].strip() break return bank # 这里的 struct 来自第3章 extract_docx_structure(path) bank = build_question_bank(struct) with open('jl2017_bank.json', 'w', encoding='utf-8') as f: json.dump({'source': '吉林名校调研(省命题)2017', 'questions': bank}, f, ensure_ascii=False, indent=2)

逻辑说明：build_question_bank在遇到表格时先尝试当答案表解析，只有表头第一列是数字的行才回填答案。段落分支中，先判断是否进入答案区，再判断题号和选项，普通行拼接到题干。这段代码与第3章的detect_question_block不同，它直接操作包含style的struct，因此能保留题型分节信息。

参数说明：guess_section的输入是Word样式名，如果一个文档没有样式，这里全部返回“解答”，这时需要靠“一、选择题”这类文本标记来切分。json.dump中ensure_ascii=False让中文以明文写入，indent=2便于阅读；若生成结果较大，可以把indent去掉并用JSONL格式。检查输出时，重点看answer为空的记录数，如果超过总题数的5%，说明原始的答案表不是三列结构，需要查看表格原始数据再改attach_answer。

4.3 用关键词映射表回填知识点

试卷解析中如果出现“对顶角”“同位角”等词，可以直接用关键词映射到知识点标签。下面是一个适用于这份试卷的知识点映射表：

实现时遍历题干和解析，命中一个关键词就写入知识字段，多个都命中就合并成用逗号分隔的短语。这个做法比训练文本分类器快得多，尤其是对这种学科术语稳定的试卷。要注意“平行”这个词在七年级数学里几乎每道几何题都会出现，所以不能只匹配一个词，至少用双词组合，例如“平行线+证明”再触发标签。

提示：用关键词映射回填后，最好抽样10道题人工核验，因为同一道题可能同时涉及“实数”和“坐标系”，只保留单个标签会流失信息。

题库最终还需要落到可查询的存储。常见做法是用sqlite3导入，导入之前把options里的换行符替换成\n，避免SQL语句被截断。下面是一个最小插入示例：

import sqlite3 import json with open('jl2017_bank.json', encoding='utf-8') as f: data = json.load(f) conn = sqlite3.connect('questions.db') conn.execute('''CREATE TABLE IF NOT EXISTS questions ( id TEXT PRIMARY KEY, section TEXT, stem TEXT, options TEXT, answer TEXT, analysis TEXT, knowledge TEXT )''') for q in data['questions']: conn.execute('INSERT OR REPLACE INTO questions VALUES (?,?,?,?,?,?,?)', (q['id'], q['section'], q['stem'], json.dumps(q['options'], ensure_ascii=False), q['answer'], q['analysis'], q['knowledge'])) conn.commit() conn.close()

逻辑说明：使用INSERT OR REPLACE让题库可反复导入，options转成JSON字符串保存，避免另建子表。查询时用json.loads还原列表。相比一次插入一行，这个写法也能看清楚每个字段的映射关系。

参数说明：SQLite的文本类型可以存JSON字符串，但排序和精确过滤不如直接用列。如果将来要做选项级统计，建议拆出question_options子表，用外键关联题目id。

5. 用题库数据反推七年级学生薄弱点的最小实现

当题库有了结构化记录，学情分析就能直接从JSON读取，不需要再回头翻Word。下面给出一个两层级的实现：先计算每道题的答题对错，再统计知识点级别的正确率。

5.1 把答题结果映射到知识点

from collections import Counter def knowledge_accuracy(bank, submissions): stats = {} for s in submissions: qid = '2017JL_' + str(s['question_id']) q = next((x for x in bank if x['id'] == qid), None) if q is None: continue correct = q['answer'].strip().upper() == s['result'].strip().upper() kp = q.get('knowledge') or '未标注' item = stats.setdefault(kp, {'correct': 0, 'total': 0}) item['total'] += 1 if correct: item['correct'] += 1 return {kp: v['correct'] / max(v['total'], 1) for kp, v in stats.items()} # 模拟两名学生的答案，question_id对应原卷题号 submissions = [ {'question_id': 1, 'result': 'B'}, {'question_id': 2, 'result': 'A'}, {'question_id': 1, 'result': 'A'}, {'question_id': 2, 'result': 'B'}, ] acc = knowledge_accuracy(bank, submissions) for k, v in sorted(acc.items(), key=lambda x: x[1]): print(k, v)

逻辑说明：函数以题库中的answer字段为基准，比对submissions里的回答结果，再把正确率按知识点聚合。排序用sorted(acc.items(), key=lambda x: x[1])升序输出，正确率最低的知识点自然排在前面，这就是薄弱点的初筛结果。

参数说明：submissions里的question_id必须是原卷题号，代码会拼接成2017JL_1去匹配。如果存在学生缺考或漏答题，total会变小，严格做法是预先对同一个学生补齐缺失记录，否则统计出来的正确率会偏向已答题目。对于一次月考，题目数量有限，正确率波动很大，我一般会追加一个规则：total < 3的知识点不进入最终排序，避免样本太小。

5.2 验证正确率是否可信

单份试卷的统计结果很容易过拟合，因此要用一道“换卷验证”来检查：从题库中随机抽出一半题目，用另一半题目预测同一学生的薄弱知识点，比较两次排序的重合度。如果重合度低于阈值，说明原卷的题目太少，需要把多次月考试卷合并后再做分析。

这种验证不需要复杂框架，直接把题库按知识点分层抽样，分别调knowledge_accuracy即可。由于本题集只有一张卷，更实际的做法是只输出“错误集中度”：用Counter统计错题的知识点分布，哪个知识点出现次数最多，就把它列为优先复习项。输出到CSV时记得用utf-8-sig编码，避免Excel打开后中文乱码。

本文还有配套的精品资源，点击获取