简介这份资源是一份面向港澳台联考考生的语文作文备考资料整理了历年联考作文真题及多篇示范文章。文档共1个docx文件大小63KB内容围绕兴趣、诚信、毅力、宽容、感恩、梦想等高频主题展开并在每类主题下提供成文范例和立意分析方便考生快速理解命题方向、积累写作素材与提升审题构思能力。目前已吸引245人学习下载适合需要系统梳理联考作文题型、掌握常见主题写法并强化临场表达能力的考生选用。1. 拿到一篇满分作文.docx先别急着谈文采作为后端或全栈工程师看到港澳台联考语文满分作文.docx这个文件名第一反应不该是研究写作技巧而是意识到这是一个标准的文档解析场景。以.docx结尾的文件本质上是一个ZIP压缩包内部装着若干XML文件。无论是做教育产品的后端开发还是做教研语料的批量处理都要先跨过解析这道门槛才能把非结构化的作文正文变成可统计、可检索、可进一步喂给NLP流程的结构化数据。这篇文章围绕用工程手段处理作文文档这条线展开先拆解docx格式的底层结构再用Python把段落、样式、表格完整读出来接着从文本中提取可量化的写作特征最后把脚本封装成可复用的分析接口。适合对文本挖掘、文档清洗和轻量级NLP应用感兴趣的工程师也适合想为教研业务搭分析工具链的技术负责人。以下内容不依赖任何特定版本用常见做法就能落地。2. 用 python-docx 解析满分作文.docx 的段落与样式2.1 docx 不是纯文本文件而是一个 ZIP 容器不少人第一次用open(港澳台联考语文满分作文.docx, r, encodingutf-8)去读得到一堆乱码原因在于docx遵循Office Open XML标准整个文档被打包成一个ZIP存档。拆开之后主内容位于word/document.xml正文并不是连续的字符串而是被分割成一个个w:t文本节点外层包裹段落标记w:p和段落属性w:pPr。要手工解析XML也不难Python自带的xml.etree.ElementTree就能遍历所有节点但docx的命名空间前缀w:、r:和样式继承关系会让代码变得冗长。更常见、更可靠的做法是使用python-docx这个库它把底层XML操作封装成了Document、Paragraph、Run这样与Word界面对象一一对应的Python类。安装方式很简单pip install python-docx安装完成后可以先做一步格式验证避免把损坏文件或改扩展名的假docx直接送进解析流程import zipfile # 用 zipfile 验证文件头的有效性 if zipfile.is_zipfile(港澳台联考语文满分作文.docx): print(文件是合法的 docx(zip) 容器) else: print(无法识别为 docx 格式请检查文件来源)常见做法是先验证再解析。zipfile.is_zipfile()只检查文件头是否为ZIP结构不会读取整个文件内容效率很高。如果这一步就报错后续所有解析逻辑都不必执行可以提前返回给上层一个文件格式错误的提示。2.2 读取段落和样式的最小脚本下面这段代码可以完成作文文档的基础解析遍历所有顶层段落输出每个段的索引、样式名称、文本长度和开头片段。from docx import Document doc Document(港澳台联考语文满分作文.docx) for idx, para in enumerate(doc.paragraphs): text para.text.strip() if not text: continue print(f[段落 {idx}] 样式{para.style.name} 长度{len(text)} 开头{text[:20]})逻辑说明Document对象把docx解包并建立文档对象模型doc.paragraphs返回所有顶层段落表格内的段落不在此列para.style.name给出段落使用的样式名称中文作文文档中常见值是Normal正文、Title标题para.text将段落内所有Run的文本拼接起来strip()去掉两端空白便于后续统计。实际分析作文时还有几个关键参数值得留意。para.paragraph_format.line_spacing控制行距para.paragraph_format.first_line_indent是首行缩进。中文作文普遍要求首行缩进2个字符若文档段落没有缩进信息会被教研系统判定为排版不规范。但对于一篇从网上复制的文本缩进可能被丢失统计时要把排版特征和内容特征分开处理。2.3 表格、批注和修订痕迹的处理作文文档不一定只有纯文本段落。阅卷老师可能加过批注文档里也可能嵌入了评分表格。doc.paragraphs只覆盖顶层段落表格内的文字需要单独遍历doc Document(港澳台联考语文满分作文.docx) for table_idx, table in enumerate(doc.tables): for row_idx, row in enumerate(table.rows): for col_idx, cell in enumerate(row.cells): cell_text cell.text.strip() if cell_text: print(f表格{table_idx} 第{row_idx}行 第{col_idx}列: {cell_text[:30]})代码里用doc.tables获取文档中所有表格对象row.cells返回行内单元格cell.text取出该单元格的全部文本。这里有一个常见坑点合并单元格时同一单元格会在多行多列中被重复引用导致同一段文字被打印多次。处理方式是先收集所有cell._tc的底层XML元素ID按ID去重后再输出文本。批注的读取在python-docx1.1.0 之后才提供直接支持旧版本需要手工解析doc.comments相关XML。修订痕迹则体现在w:ins插入和w:del删除标记中普通读取会被忽略只有para.text拿到的是修订前还是修订后的文本取决于文档是否已接受修订。处理教研归档文档时如果发现一段文字里存在删除线或高亮底色建议先用Word打开确认修订状态再决定正文提取策略。提示如果python-docx抛PackageNotFoundError大概率是文件损坏或不是真正的docx。另一种少见情况是用了受密码保护的加密文档此时需要先解密才能解析。3. 从作文文本中提取可量化的写作特征3.1 哪些文本特征对作文分析有效从解析完的纯文本出发下一步是把写得怎么样转化为数字指标。语文学科对作文的评分维度通常覆盖内容、结构、语言三大块。落到工程上内容看篇幅和关键词分布结构看段落数量和长度波动语言看句长变化和修辞标记。这些特征不一定需要上Transformer模型用正则表达式和基础统计就能得到稳定的基线结果。许多教育产品做过打分模型经验上最稳的特征都是轻量级的总字数、平均句长、段落数量、首尾段长度比、高频关键词。它们不是学术上最优雅的指标但在样本量有限、领域集中比如只有联考作文的情况下解释性强且不容易过拟合。后续接入BERT等模型时这些特征也可以作为辅助信号拼接进特征向量。3.2 五个核心特征的代码实现下面这段代码一次性计算总字数、句子数量、平均句长、段落长度区间并输出段落数与段落均长import re def split_sentences(text: str) - list[str]: # 在句末标点后切分保留标点本身 parts re.split(r(?[。]), text) return [p.strip() for p in parts if p.strip()] def analyze_structure(full_text: str, paragraphs: list[str]) - dict: sentences split_sentences(full_text) sent_lengths [len(s) for s in sentences] para_lengths [len(p) for p in paragraphs if len(p) 10] return { total_chars: len(re.sub(r\s, , full_text)), sentence_count: len(sentences), avg_sentence_len: round(sum(sent_lengths) / max(len(sent_lengths), 1), 2), paragraph_count: len(para_lengths), avg_paragraph_len: round(sum(para_lengths) / max(len(para_lengths), 1), 2) }参数说明(?[。])是零宽断言仅在句末标点之后切分不会把标点丢掉split_sentences对英文句点不敏感适合纯中文语料para_lengths过滤掉少于10个字符的段落这类段落通常是标题、署名或分隔符不应计入正文结构统计。联考作文的字数标准一般在800字以上超过1100字会有冗余风险这个人工标准可以映射成代码里的阈值判断。平均句长在25到40字之间的文章节奏感通常较好如果平均句长超过50字可能是大量长句堆叠有语法混乱的隐患。段落数量在6到10段之间符合典型议论文布局超过15段则说明文章结构碎片化。3.3 高频关键词与主题相关性统计高频词可以帮助判断文章是否跑题。最简单的方法是基于正则表达式做双字词切分再按词频排序。下面代码提取文本中出现频率最高的词from collections import Counter def top_keywords(text: str, topn: int 5) - list[str]: # 提取连续两个及以上的中文字符作为候选词 words re.findall(r[\u4e00-\u9fa5]{2,}, text) stopwords {一个, 没有, 就是, 自己, 我们, 他们, 什么, 这样, 这个, 那个, 可以, 已经} filtered [w for w in words if w not in stopwords and len(w) 2] return [w for w, _ in Counter(filtered).most_common(topn)]\u4e00-\u9fa5覆盖常用汉字范围{2,}表示至少匹配两个连续汉字避免单个虚词成为最高频词停用词表按作文语料精简迁移到其他业务场景时需要重新维护。纯频率统计在短文本上容易被通用动词干扰但用在以论述为主的作文里前五的高频词基本能勾勒主题方向。特征汇总成一张表方便后续对接业务方特征名计算方式参考含义total_chars去掉空白后字符数800-1100字为合理区间avg_sentence_len句总长除以句数25-40字节奏较好paragraph_count有效段落数量6-10段为典型布局top_keywords去停用词后词频最高的词判断内容是否贴合题目首尾段长度比首段字符除以尾段字符接近1:1收束更完整提示高频词统计不是关键词抽取不能直接拿来做自动摘要。它对明显跑题这种极端情况有效对话题漂移的检测能力很弱。4. 把分析脚本封装成作文分析接口4.1 用 FastAPI 暴露上传分析接口脚本写好后人工跑Python文件只能单机使用。真实业务中前端网页上传一个.docx后端要在秒级返回分析结果。常见做法是封装成HTTP接口FastAPI是当前比较合适的选择自带上传文件和参数校验还能自动生成OpenAPI文档。import os import tempfile from fastapi import FastAPI, UploadFile, File from docx import Document app FastAPI() app.post(/analyze) async def analyze_docx(file: UploadFile File(...)): suffix os.path.splitext(file.filename)[-1] with tempfile.NamedTemporaryFile(deleteFalse, suffixsuffix) as tmp: tmp.write(await file.read()) tmp_path tmp.name try: doc Document(tmp_path) paras [p.text.strip() for p in doc.paragraphs if p.text.strip()] full_text \n.join(paras) result analyze_structure(full_text, paras) result[filename] file.filename result[top_keywords] top_keywords(full_text) return result except Exception as exc: return {error: fparse failed: {str(exc)}} finally: os.unlink(tmp_path)UploadFile使用了异步文件读取await file.read()不会阻塞事件循环tempfile.NamedTemporaryFile(deleteFalse)先落盘再解析是因为python-docx依赖文件系统路径而非文件对象最后的os.unlink(tmp_path)放在finally里确保即使解析失败也不会留下临时文件。接口返回的top_keywords与analyze_structure的结果可以直接展示给前端。4.2 单篇接口和批量任务怎么分工接口方案适合单篇交互式的分析场景用户体验是上传后立即看到反馈。但对于教研组一次上传几百篇文档的场景HTTP接口反而低效每个请求都要经过网络传输、临时文件写入、序列化返回。更合适的方案是直接写批处理脚本遍历文件夹一次性产出汇总表。这两套逻辑共享同一组特征提取函数只是调用方式不同。实际拆分时可以这样分工analyze_structure和top_keywords作为纯函数放在features.pyFastAPI接口负责解析上传和组装JSON批处理脚本负责遍历目录和写CSV。这样演进到后续需要把分析能力嵌入教学系统时只需要在features.py上增加调用入口不需要重写核心逻辑。4.3 解析失败的三类异常分类真实文档比预想中脏得多。解析失败通常分成三类需要分别处理。第一类是文件本身损坏或不是docx此时zipfile.is_zipfile()返回False应在接口入口直接返回400错误。第二类是文档被加密或权限受限python-docx打开时会抛PackageNotFoundError这是密码保护的特征。第三类是文档能打开但内容为空或在预期位置没有文本这种情况往往不是代码问题而是上传了扫描版PDF改后缀名的假文档。from fastapi import HTTPException if not zipfile.is_zipfile(tmp_path): raise HTTPException(status_code400, detail文件不是有效的docx格式)加上这一步之后日志分类也更清晰非法格式和解析异常分开统计便于监控线上数据质量。日志的detail字段里还应该带上原始文件名方便定位是哪一次上传引发的问题。5. 批量处理文档生成对比报表验证特征有效性最后一层落地是把第3章的特征提取变成批量分析工具。教研团队经常需要对比多篇作文的特征差异比如同一题目的三篇范文为什么一篇得分高另外两篇一般。逐篇调用接口效率太低写一个遍历目录的脚本把每篇文档的特征输出成表格是上面整套解析能力最常用的延伸。import csv import glob output_rows [] for path in glob.glob(corpus/*.docx): try: doc Document(path) paras [p.text.strip() for p in doc.paragraphs if p.text.strip()] full_text \n.join(paras) feats analyze_structure(full_text, paras) feats[file] path feats[top_keywords] /.join(top_keywords(full_text)) output_rows.append(feats) except Exception as exc: output_rows.append({file: path, error: str(exc)}) with open(output.csv, w, newline, encodingutf-8-sig) as f: writer csv.DictWriter(f, fieldnamesoutput_rows[0].keys()) writer.writeheader() writer.writerows(output_rows)glob.glob(corpus/*.docx)按通配符匹配目录下所有docx文件encodingutf-8-sig写入CSV时带BOM方便用Excel直接打开不乱码单篇解析异常时把错误信息写进同一行不影响其他文件的处理。一个值得验证的具体技巧是对比人工打分与平均句长的关系。把output.csv导入Excel按得分排序后观察平均句长列如果高分作文的句长集中在30到45字区间说明这个特征在该批语料中有区分度如果分布完全随机就说明句长特征对这批样本无效需要换用其他指标比如修辞密度或过渡词频次。这种基于小样本的快速验证比盲目引入复杂模型更能判断特征是否值得继续深挖。报表输出之后还可以关注一份文本的段落缩进情况这里用first_line_indent就能识别段落是否采用首行缩进样式可以判断格式规范性。最终交付的是一个输入作文集、输出特征报表的小工具具体是继续扩展成语义评分还是做课件素材库就看业务方向怎么走了。本文还有配套的精品资源点击获取 
长河君 · 2026/9/17 14:14:42 · 阅读 1.2k 用Python解析docx作文文档：从格式清洗到特征提取实战
简介这份资源是一份面向港澳台联考考生的语文作文备考资料整理了历年联考作文真题及多篇示范文章。文档共1个docx文件大小63KB内容围绕兴趣、诚信、毅力、宽容、感恩、梦想等高频主题展开并在每类主题下提供成文范例和立意分析方便考生快速理解命题方向、积累写作素材与提升审题构思能力。目前已吸引245人学习下载适合需要系统梳理联考作文题型、掌握常见主题写法并强化临场表达能力的考生选用。1. 拿到一篇满分作文.docx先别急着谈文采作为后端或全栈工程师看到港澳台联考语文满分作文.docx这个文件名第一反应不该是研究写作技巧而是意识到这是一个标准的文档解析场景。以.docx结尾的文件本质上是一个ZIP压缩包内部装着若干XML文件。无论是做教育产品的后端开发还是做教研语料的批量处理都要先跨过解析这道门槛才能把非结构化的作文正文变成可统计、可检索、可进一步喂给NLP流程的结构化数据。这篇文章围绕用工程手段处理作文文档这条线展开先拆解docx格式的底层结构再用Python把段落、样式、表格完整读出来接着从文本中提取可量化的写作特征最后把脚本封装成可复用的分析接口。适合对文本挖掘、文档清洗和轻量级NLP应用感兴趣的工程师也适合想为教研业务搭分析工具链的技术负责人。以下内容不依赖任何特定版本用常见做法就能落地。2. 用 python-docx 解析满分作文.docx 的段落与样式2.1 docx 不是纯文本文件而是一个 ZIP 容器不少人第一次用open(港澳台联考语文满分作文.docx, r, encodingutf-8)去读得到一堆乱码原因在于docx遵循Office Open XML标准整个文档被打包成一个ZIP存档。拆开之后主内容位于word/document.xml正文并不是连续的字符串而是被分割成一个个w:t文本节点外层包裹段落标记w:p和段落属性w:pPr。要手工解析XML也不难Python自带的xml.etree.ElementTree就能遍历所有节点但docx的命名空间前缀w:、r:和样式继承关系会让代码变得冗长。更常见、更可靠的做法是使用python-docx这个库它把底层XML操作封装成了Document、Paragraph、Run这样与Word界面对象一一对应的Python类。安装方式很简单pip install python-docx安装完成后可以先做一步格式验证避免把损坏文件或改扩展名的假docx直接送进解析流程import zipfile # 用 zipfile 验证文件头的有效性 if zipfile.is_zipfile(港澳台联考语文满分作文.docx): print(文件是合法的 docx(zip) 容器) else: print(无法识别为 docx 格式请检查文件来源)常见做法是先验证再解析。zipfile.is_zipfile()只检查文件头是否为ZIP结构不会读取整个文件内容效率很高。如果这一步就报错后续所有解析逻辑都不必执行可以提前返回给上层一个文件格式错误的提示。2.2 读取段落和样式的最小脚本下面这段代码可以完成作文文档的基础解析遍历所有顶层段落输出每个段的索引、样式名称、文本长度和开头片段。from docx import Document doc Document(港澳台联考语文满分作文.docx) for idx, para in enumerate(doc.paragraphs): text para.text.strip() if not text: continue print(f[段落 {idx}] 样式{para.style.name} 长度{len(text)} 开头{text[:20]})逻辑说明Document对象把docx解包并建立文档对象模型doc.paragraphs返回所有顶层段落表格内的段落不在此列para.style.name给出段落使用的样式名称中文作文文档中常见值是Normal正文、Title标题para.text将段落内所有Run的文本拼接起来strip()去掉两端空白便于后续统计。实际分析作文时还有几个关键参数值得留意。para.paragraph_format.line_spacing控制行距para.paragraph_format.first_line_indent是首行缩进。中文作文普遍要求首行缩进2个字符若文档段落没有缩进信息会被教研系统判定为排版不规范。但对于一篇从网上复制的文本缩进可能被丢失统计时要把排版特征和内容特征分开处理。2.3 表格、批注和修订痕迹的处理作文文档不一定只有纯文本段落。阅卷老师可能加过批注文档里也可能嵌入了评分表格。doc.paragraphs只覆盖顶层段落表格内的文字需要单独遍历doc Document(港澳台联考语文满分作文.docx) for table_idx, table in enumerate(doc.tables): for row_idx, row in enumerate(table.rows): for col_idx, cell in enumerate(row.cells): cell_text cell.text.strip() if cell_text: print(f表格{table_idx} 第{row_idx}行 第{col_idx}列: {cell_text[:30]})代码里用doc.tables获取文档中所有表格对象row.cells返回行内单元格cell.text取出该单元格的全部文本。这里有一个常见坑点合并单元格时同一单元格会在多行多列中被重复引用导致同一段文字被打印多次。处理方式是先收集所有cell._tc的底层XML元素ID按ID去重后再输出文本。批注的读取在python-docx1.1.0 之后才提供直接支持旧版本需要手工解析doc.comments相关XML。修订痕迹则体现在w:ins插入和w:del删除标记中普通读取会被忽略只有para.text拿到的是修订前还是修订后的文本取决于文档是否已接受修订。处理教研归档文档时如果发现一段文字里存在删除线或高亮底色建议先用Word打开确认修订状态再决定正文提取策略。提示如果python-docx抛PackageNotFoundError大概率是文件损坏或不是真正的docx。另一种少见情况是用了受密码保护的加密文档此时需要先解密才能解析。3. 从作文文本中提取可量化的写作特征3.1 哪些文本特征对作文分析有效从解析完的纯文本出发下一步是把写得怎么样转化为数字指标。语文学科对作文的评分维度通常覆盖内容、结构、语言三大块。落到工程上内容看篇幅和关键词分布结构看段落数量和长度波动语言看句长变化和修辞标记。这些特征不一定需要上Transformer模型用正则表达式和基础统计就能得到稳定的基线结果。许多教育产品做过打分模型经验上最稳的特征都是轻量级的总字数、平均句长、段落数量、首尾段长度比、高频关键词。它们不是学术上最优雅的指标但在样本量有限、领域集中比如只有联考作文的情况下解释性强且不容易过拟合。后续接入BERT等模型时这些特征也可以作为辅助信号拼接进特征向量。3.2 五个核心特征的代码实现下面这段代码一次性计算总字数、句子数量、平均句长、段落长度区间并输出段落数与段落均长import re def split_sentences(text: str) - list[str]: # 在句末标点后切分保留标点本身 parts re.split(r(?[。]), text) return [p.strip() for p in parts if p.strip()] def analyze_structure(full_text: str, paragraphs: list[str]) - dict: sentences split_sentences(full_text) sent_lengths [len(s) for s in sentences] para_lengths [len(p) for p in paragraphs if len(p) 10] return { total_chars: len(re.sub(r\s, , full_text)), sentence_count: len(sentences), avg_sentence_len: round(sum(sent_lengths) / max(len(sent_lengths), 1), 2), paragraph_count: len(para_lengths), avg_paragraph_len: round(sum(para_lengths) / max(len(para_lengths), 1), 2) }参数说明(?[。])是零宽断言仅在句末标点之后切分不会把标点丢掉split_sentences对英文句点不敏感适合纯中文语料para_lengths过滤掉少于10个字符的段落这类段落通常是标题、署名或分隔符不应计入正文结构统计。联考作文的字数标准一般在800字以上超过1100字会有冗余风险这个人工标准可以映射成代码里的阈值判断。平均句长在25到40字之间的文章节奏感通常较好如果平均句长超过50字可能是大量长句堆叠有语法混乱的隐患。段落数量在6到10段之间符合典型议论文布局超过15段则说明文章结构碎片化。3.3 高频关键词与主题相关性统计高频词可以帮助判断文章是否跑题。最简单的方法是基于正则表达式做双字词切分再按词频排序。下面代码提取文本中出现频率最高的词from collections import Counter def top_keywords(text: str, topn: int 5) - list[str]: # 提取连续两个及以上的中文字符作为候选词 words re.findall(r[\u4e00-\u9fa5]{2,}, text) stopwords {一个, 没有, 就是, 自己, 我们, 他们, 什么, 这样, 这个, 那个, 可以, 已经} filtered [w for w in words if w not in stopwords and len(w) 2] return [w for w, _ in Counter(filtered).most_common(topn)]\u4e00-\u9fa5覆盖常用汉字范围{2,}表示至少匹配两个连续汉字避免单个虚词成为最高频词停用词表按作文语料精简迁移到其他业务场景时需要重新维护。纯频率统计在短文本上容易被通用动词干扰但用在以论述为主的作文里前五的高频词基本能勾勒主题方向。特征汇总成一张表方便后续对接业务方特征名计算方式参考含义total_chars去掉空白后字符数800-1100字为合理区间avg_sentence_len句总长除以句数25-40字节奏较好paragraph_count有效段落数量6-10段为典型布局top_keywords去停用词后词频最高的词判断内容是否贴合题目首尾段长度比首段字符除以尾段字符接近1:1收束更完整提示高频词统计不是关键词抽取不能直接拿来做自动摘要。它对明显跑题这种极端情况有效对话题漂移的检测能力很弱。4. 把分析脚本封装成作文分析接口4.1 用 FastAPI 暴露上传分析接口脚本写好后人工跑Python文件只能单机使用。真实业务中前端网页上传一个.docx后端要在秒级返回分析结果。常见做法是封装成HTTP接口FastAPI是当前比较合适的选择自带上传文件和参数校验还能自动生成OpenAPI文档。import os import tempfile from fastapi import FastAPI, UploadFile, File from docx import Document app FastAPI() app.post(/analyze) async def analyze_docx(file: UploadFile File(...)): suffix os.path.splitext(file.filename)[-1] with tempfile.NamedTemporaryFile(deleteFalse, suffixsuffix) as tmp: tmp.write(await file.read()) tmp_path tmp.name try: doc Document(tmp_path) paras [p.text.strip() for p in doc.paragraphs if p.text.strip()] full_text \n.join(paras) result analyze_structure(full_text, paras) result[filename] file.filename result[top_keywords] top_keywords(full_text) return result except Exception as exc: return {error: fparse failed: {str(exc)}} finally: os.unlink(tmp_path)UploadFile使用了异步文件读取await file.read()不会阻塞事件循环tempfile.NamedTemporaryFile(deleteFalse)先落盘再解析是因为python-docx依赖文件系统路径而非文件对象最后的os.unlink(tmp_path)放在finally里确保即使解析失败也不会留下临时文件。接口返回的top_keywords与analyze_structure的结果可以直接展示给前端。4.2 单篇接口和批量任务怎么分工接口方案适合单篇交互式的分析场景用户体验是上传后立即看到反馈。但对于教研组一次上传几百篇文档的场景HTTP接口反而低效每个请求都要经过网络传输、临时文件写入、序列化返回。更合适的方案是直接写批处理脚本遍历文件夹一次性产出汇总表。这两套逻辑共享同一组特征提取函数只是调用方式不同。实际拆分时可以这样分工analyze_structure和top_keywords作为纯函数放在features.pyFastAPI接口负责解析上传和组装JSON批处理脚本负责遍历目录和写CSV。这样演进到后续需要把分析能力嵌入教学系统时只需要在features.py上增加调用入口不需要重写核心逻辑。4.3 解析失败的三类异常分类真实文档比预想中脏得多。解析失败通常分成三类需要分别处理。第一类是文件本身损坏或不是docx此时zipfile.is_zipfile()返回False应在接口入口直接返回400错误。第二类是文档被加密或权限受限python-docx打开时会抛PackageNotFoundError这是密码保护的特征。第三类是文档能打开但内容为空或在预期位置没有文本这种情况往往不是代码问题而是上传了扫描版PDF改后缀名的假文档。from fastapi import HTTPException if not zipfile.is_zipfile(tmp_path): raise HTTPException(status_code400, detail文件不是有效的docx格式)加上这一步之后日志分类也更清晰非法格式和解析异常分开统计便于监控线上数据质量。日志的detail字段里还应该带上原始文件名方便定位是哪一次上传引发的问题。5. 批量处理文档生成对比报表验证特征有效性最后一层落地是把第3章的特征提取变成批量分析工具。教研团队经常需要对比多篇作文的特征差异比如同一题目的三篇范文为什么一篇得分高另外两篇一般。逐篇调用接口效率太低写一个遍历目录的脚本把每篇文档的特征输出成表格是上面整套解析能力最常用的延伸。import csv import glob output_rows [] for path in glob.glob(corpus/*.docx): try: doc Document(path) paras [p.text.strip() for p in doc.paragraphs if p.text.strip()] full_text \n.join(paras) feats analyze_structure(full_text, paras) feats[file] path feats[top_keywords] /.join(top_keywords(full_text)) output_rows.append(feats) except Exception as exc: output_rows.append({file: path, error: str(exc)}) with open(output.csv, w, newline, encodingutf-8-sig) as f: writer csv.DictWriter(f, fieldnamesoutput_rows[0].keys()) writer.writeheader() writer.writerows(output_rows)glob.glob(corpus/*.docx)按通配符匹配目录下所有docx文件encodingutf-8-sig写入CSV时带BOM方便用Excel直接打开不乱码单篇解析异常时把错误信息写进同一行不影响其他文件的处理。一个值得验证的具体技巧是对比人工打分与平均句长的关系。把output.csv导入Excel按得分排序后观察平均句长列如果高分作文的句长集中在30到45字区间说明这个特征在该批语料中有区分度如果分布完全随机就说明句长特征对这批样本无效需要换用其他指标比如修辞密度或过渡词频次。这种基于小样本的快速验证比盲目引入复杂模型更能判断特征是否值得继续深挖。报表输出之后还可以关注一份文本的段落缩进情况这里用first_line_indent就能识别段落是否采用首行缩进样式可以判断格式规范性。最终交付的是一个输入作文集、输出特征报表的小工具具体是继续扩展成语义评分还是做课件素材库就看业务方向怎么走了。本文还有配套的精品资源点击获取