老式 .doc 物理习题解析：从 OLE2 到结构化题库

简介高中物理选修3-1静电学模块的经典习题文档涵盖选择题、多项选择题与计算题适合高一高二学生巩固电场概念也可用于考前专项复习。题目围绕电场线、等势面、电势、电势能、电场强度与带电粒子运动展开设置了等量异种电荷分布、同心圆等势线、匀强电场电势差等典型场景并对每道题附带详细解析从能量守恒、电场力做功、电势高低比较等角度梳理解题思路帮助读者突破电势能与电势关系等易错点。例如关于粒子在电场中动能与电势能换算的题目解析会逐步推导具体数值直观展示能量转化过程涉及电场强度判断的题目则结合电荷分布与对称性分析强化场强与电势概念的区分。整份文档为1个doc文件大小仅68KB内容紧凑方便打印或导入笔记软件学习。目前已有88人学习浏览可作为课堂同步练习与自我检测的实用资料。1. 老式物理习题 doc 在工程师手里是个格式战场打开「高中物理选修3-1经典习题(附答案).doc」这类文件你大概率会先碰到两个反直觉的事实第一.doc不等于.docx它不是 XML而是 OLE2 复合文档——一种类似文件系统的二进制容器里面的文本流、图片流、公式对象各自有独立的存储位置第二这份文件如果是 2010 年前后流传出来的里面承载物理题的方式可能比你想象的更原始题干是 Word 段落电压符号U是普通字符而电场线图形、电路图、带电粒子轨迹图多半是嵌入的矢量或位图。对一个常年在命令行和 JSON 之间切换的工程师来说这种文档的价值不在于「学物理」而在于它是天然的格式处理样本。你手里的真实需求可能是把整份习题切分成语义完整的题目、提取答案、把公式转成 LaTeX、把 doc 批量迁移进题库系统。这个标题下真正要做的事是把一份承载学科内容的旧文档无损地转换成计算机可处理的结构化数据。全文围绕这条主线展开格式识别、文本流抽取、内容结构化、公式与图片处置、批量验证。2. 解析 .doc 老文件先识别再选工具链2.1 用 file 命令确认真实容器格式拿到任何.doc后缀文件第一步是抛开后缀名直接看文件头。file命令会告诉你它到底是老式的 OLE2 复合文档还是换了个后缀的 RTF甚至是伪装成 doc 的 HTML。file 高中物理选修3-1经典习题(附答案).doc常见的输出有两种Composite Document File V2 Document说明是老 Word 二进制格式Rich Text Format说明它其实是 RTF 改后缀。这一步判断错后续所有解析工具都会白忙活。确认是 OLE2 后可以用oleid或者7z l看看内部流结构7z l 高中物理选修3-1经典习题(附答案).doc输出里通常能看到WordDocument、1Table、0Table等流其中WordDocument是正文二进制流Data流里可能是嵌入的公式或图片对象。看到这些流结构就确认了是经典的 Word 97-2003 格式解析思路要按二进制复合文档走而不是按 ZipXML 的 docx 思路。2.2 python-docx 的边界与 LibreOffice 的补偿很多工程师上手就写python-docx结果发现读取直接报错或读到空内容原因在于python-docx只支持 docx即 OOXML 规范下的 Zip 包裹 XML 格式。对 .doc 老文件常见做法是用 LibreOffice 无头模式转成 docx 再做下游处理。soffice --headless --convert-to docx \ --outdir ./converted 高中物理选修3-1经典习题(附答案).doc转换后检查目录ls -la ./converted/ file ./converted/*.docx确认已经是Microsoft Word 2007格式后再用 Python 解析。为什么不自接用antiword提取纯文本因为 antiword 对中文文档的表格和公式对象处理不稳定而且拿不到版式信息后面做结构化切分时缺了「题干在哪一段结束、选项从哪一行开始」这类边界线索。LibreOffice 转换保留段落结构便于后续按段落粒度切题。提取段落的代码from docx import Document doc Document(./converted/高中物理选修3-1经典习题(附答案).docx) for i, para in enumerate(doc.paragraphs): text para.text.strip() if text: print(f[{i}] {text})参数说明Document是 python-docx 的入口类接收 docx 路径doc.paragraphs返回文档主体中的所有段落对象每个段落的.text属性是该段的纯文本enumerate带上序号是为了后面切分题目时能按段落索引回溯原文位置。如果某些段落文本为空可能是图片、公式对象或分页符组成的段落过滤掉空文本是为了让输出干净但要注意空段落也可能是题与题之间的分隔标记不能盲目丢弃。2.3 编码陷阱中文内容不等于 GBK.doc 内部的文本流以 UTF-16LE 存储但很多人会把提取出的文本当成 GBK 或 GB18030 去解码导致中文乱码。区分办法是看文本流是否带有 UTF-16 的 BOM 或字符间是否有\x00间隔。用 Python 直接读取WordDocument流时正确做法是用utf-16-le解码import struct with open(高中物理选修3-1经典习题(附答案).doc, rb) as f: data f.read()这段代码只是把文件读入内存真正要解析 WordDocument 流需要按 OLE2 的目录结构定位扇区手写解析逻辑比较复杂。比手写更稳的路径是先用soffice转换再从 docx 的word/document.xml里抽取文本这样绕开了二进制层面的编码问题。需要处理的编码问题从「检测字节流」变成了「检查 XML 里的 Unicode 转义」风险低一个数量级。对于手头只有 .doc 且不允许装 LibreOffice 的环境才值得用olefile库手动提取流再解码。3. 把习题题干和答案拆成结构化数据3.1 段落粒度上的题目边界判断转成 docx 后切题的第一步不是写正则而是看段落序列的特征。物理选修 3-1 习题文档常见的排版规律是题号出现在段首如1.、1、一、等选项以A.、B.、C.、D.开头独立成段答案和解析集中在文末或题后。段落索引的分布可以先用一段脚本画出来from docx import Document doc Document(./converted/高中物理选修3-1经典习题(附答案).docx) for i, para in enumerate(doc.paragraphs): text para.text.strip() if not text: continue # 判断是否为题号开头数字 点/顿号/圆括号 if text[:2].isdigit() and text[2:3] in .、: print(f题目起点: [{i}] {text[:30]}) elif text[0] in ABCDabcd and text[1:2] .: print(f选项: [{i}] {text[:30]})这段代码的逻辑是先判断段首两位是否为数字再判断第三位是否是中英文句号或顿号命中则视为题目起点选项行的特征是首字符为 A/B/C/D 且第二位是点。注意text[:1]是字符串切片Python 里text[:2]取前两个字符text[2:3]取第三个字符判断序号是「1.」还是「10.」时这种切片方式能适应 1-2 位题号但三位数题号需要改成正则。更稳妥的做法是用预编译正则import re question_start re.compile(r^\d{1,3}[.、]) option_line re.compile(r^[ABCD]([.、]|\s))^\d{1,3}限定 1 到 3 位数字防止题干正文里出现的坐标或数值被误判为题目起点[.、]同时覆盖半角句点、全角句点和顿号选项正则里的[.、]|\s处理A.和A两种排版。这里有个经验老 doc 文档里全角句号和半角句号混用非常普遍正则必须同时匹配。3.2 切题状态机与答案提取切题不能只靠「见到题号就开新块」因为有些题目题干会换行续写选项中间也可能夹插图占位段落。我一般会用一个简单状态机状态依次为LOOKING、QUESTION、OPTIONS、ANSWER。遇到题号进入QUESTION遇到选项行进入OPTIONS遇到「答案」「解析」等关键词进入ANSWER直到下一个题号才重置。state LOOKING questions [] current {} for para in doc.paragraphs: text para.text.strip() if not text: continue if question_start.match(text): if current: questions.append(current) current {id: text.split(.)[0], stem: [text], options: [], answer: []} state QUESTION elif option_line.match(text): state OPTIONS current[options].append(text) elif re.match(r^[【\[]?\s*(答案|解析|详解)\s*[】\]]?, text): state ANSWER current[answer].append(text) elif state QUESTION: current[stem].append(text) elif state OPTIONS: current[options].append(text) elif state ANSWER: current[answer].append(text) if current: questions.append(current)这段状态机把段落归属于stem、options、answer三个列表。注意两个边界第一题干换行后可能顶格写不以任何标点开头此时归入stem第二物理题中经常出现「如图 3-1 所示」这类带数字的表述因为段落开头不是数字加标点不会被误判成题号。text.split(.)[0]取题号数字如果题目编号是「一、」「二、」这类中文序号需要额外判断否则split(.)取到的不是数字建议改成question_start.match(text).group(0).strip( .、)。3.3 导出 JSON 与 Excel 的取舍切分结果建议导出成 JSON 作为中间格式方便后续校验和二次处理import json with open(questions.json, w, encodingutf-8) as f: json.dump(questions, f, ensure_asciiFalse, indent2)ensure_asciiFalse保证中文以原字符写入文件否则会变成\u7535形式indent2让 JSON 可读。导出 JSON 而不是直接入数据库是因为题目数据还需要人工校对哪些段落被错误归入选项、哪些答案被拆成两行这类问题用 JSON 文件加一个简单的 diff 工具就能快速发现。如果下游需要 Excel可以用pandas转一下import pandas as pd df pd.DataFrame([ { id: q[id], stem: \n.join(q[stem]), options: \n.join(q[options]), answer: \n.join(q[answer]), } for q in questions ]) df.to_excel(questions.xlsx, indexFalse)\n.join(...)把多段落文本合并成单个单元格里的多行文本Excel 里用 AltEnter 换行展示indexFalse不输出 pandas 默认的索引列。注意转 Excel 必须在 JSON 校验之后做否则会把错误结构固化到表格里。4. 物理公式与插图识别、转换与取舍4.1 公式对象的三种存在形态选修 3-1 的习题里公式密集但 .doc 老文件里的公式不是只有一种形态。常见有三种第一种是 Word 自带的 OLE 公式编辑器生成的公式对象在 docx 里表现为m:oMath节点第二种是已经被图片化的公式——截图或扫描页表现为pic:pic节点第三种是纯文本公式用UEd、FkQq/r^2这类形式写在段落里。第三种最容易处理第二种需要 OCR第一种可以转为 OMML 再转 LaTeX。三种形态的判断方法不复杂在 docx 里搜索 XML 节点即可unzip -p converted.docx word/document.xml | grep -o m:oMath | wc -l unzip -p converted.docx word/document.xml | grep -o pic:pic | wc -l第一条命令统计段落中真正可编辑公式的数量第二条统计图片数量。unzip -p不解压文件直接输出word/document.xml到 stdoutgrep -o只输出匹配到的节点字符串wc -l计数。如果两个数字同时很高说明这份文档是混合排版公式和扫描图并存处理策略要分两条线。4.2 OMML 转 LaTeX最小可用路径LibreOffice 转出的 docx 里公式以 OMMLOffice Math Markup Language存在。OMML 是 OOXML 规范里的数学标记语言结构冗长。要转 LaTeX常用做法是借助 Python 库latex2mathml的逆向思路——它本身做 LaTeX 转 MathMLOMML 则可以通过python-docx读到 XML 后再做映射。从 docx 里提取 OMML 的代码from docx import Document from docx.oxml.ns import qn doc Document(./converted/高中物理选修3-1经典习题(附答案).docx) for i, para in enumerate(doc.paragraphs): math_nodes para._element.findall(qn(m:oMath)) if math_nodes: print(f段落 {i} 包含 {len(math_nodes)} 个公式)qn(m:oMath)是 python-docx 里按命名空间取元素的写法para._element是底层 XML 节点。拿到 OMML 节点后逐条转 LaTeX 的工程量大实际做题库迁移时我一般先转成 MathML再借助成熟的转换库兜底而不是自己写符号映射表。4.3 图片型公式的 OCR 边界扫描型图片没有公式元数据可读只能走 OCR。对物理公式tesseract配合equ数学语言模型能识别简单公式但选修 3-1 里的电路图和电场线图不是公式是矢量图OCR 识别不了电路符号的连线关系。这里要做一个决策如果目标是「保留完整的习题内容」电路图直接以图片形式入库不转文字如果目标是「让题目可检索」电路图和公式分开处理——公式用 Mathpix 之类的商业 API 转 LaTeX电路图保留原图并打标签。图片提取很简单docx 本身就是 Zipword/media/下是所有嵌入图片unzip -o converted.docx word/media/* -d ./images-o覆盖已有文件-d ./images指定输出目录。提取后按顺序编号重命名再用图片内容人工确认属于哪道题。注意Word 会为同一张图片生成多个不同尺寸的副本word/media/下可能出现image1.png和image2.png内容相同但分辨率不同去重要靠 md5 或者感知哈希。5. 批量入库与乱码排查的几个收尾技巧5.1 用哈希去重和题数统计做完整性校验题库入库前做两件事第一对所有图片计算 md5删除重复资源第二按 JSON 里questions的长度核对原始文档里实际题号的最大值两者相差超过 3 道就要回头检查切分边界。md5sum images/*.png | sort | awk {print $1} | uniq -dmd5sum计算每个文件的哈希sort让相同哈希相邻uniq -d只显示重复项。如果输出为空说明没有完全相同的图片对于尺寸不同但内容相同的副本上面的命令查不出来需要改用fdupes或 ImageMagick 的感知哈希。题数核对用 Python 一行import json, re with open(questions.json, encodingutf-8) as f: qs json.load(f) print(len(qs), max(int(q[id]) for q in qs if q[id].isdigit()))第一个数字是切分得到的题数第二个是原始题号里的最大值。两者一致只说明没拆漏不能说明没拆错因为题干中可能嵌入了「见第 5 题」这类引用造成误判。此时抽查stem里前 20 个段落的开头和结尾文本比全量人工校对效率高。5.2 编码乱码的分层排查转换后出现乱码先判断乱码发生在哪一层。docx 的document.xml里有乱码大概率是源 doc 本身编码特殊LibreOffice 转换时选了错误的过滤选项JSON 里有乱码是写入时ensure_ascii参数不对终端打印乱码是 stdout 编码问题。分层排查用一条命令定位unzip -p converted.docx word/document.xml | head -c 500查看 XML 头 500 字节里中文是否正常显示。如果 XML 正常但 JSON 乱码问题在 Python 侧如果 XML 已经乱码问题在 LibreOffice 转换阶段回头确认soffice的--infilter参数。5.3 给题目编号加一层稳定索引原始文档中的题号「1」「2」到「20」不连续的情况很常见特别是原文档经过删改后残留跳号。入库时不要让数据库主键直接使用题目编号而是按解析顺序生成单调递增的内部 ID原始编号存为source_id字段。原因很实际后续如果拿到更新版文档题号不变但内容调整稳定的内部 ID 能让你做增量比对和同步而不是全表重建。内部 ID 的生成可以在导出 JSON 后统一补for idx, q in enumerate(questions, start1): q[internal_id] fPHY31-{idx:04d}fPHY31-{idx:04d}生成PHY31-0001这种格式04d强制四位补零排序时按字典序也是正确顺序。比直接用数字 ID 的优势是不同来源的题库合并时前缀能区分题源不会撞主键。本文还有配套的精品资源点击获取