别再手动敲公式了!一套流程搞定Word试卷图片公式转可编辑

从网上搜集来的中考真题Word文档，打开一看——公式全是图片！想改个数字、换个符号，只能删掉重敲；想把几份试卷拼成一份，却发现同一套题在不同文件夹里出现了七八次，光去重就耗掉大半天。

接下来，我将一步步拆解整理流程，并分享每个环节的经验和选择理由。无论你是想批量整理历年真题，还是只是偶尔需要修一份试卷里的公式，这套方法都能帮你节省大量时间。

一、试卷去重：用代码代替肉眼

问题有多烦人？

从网上下载的“中考真题大全”压缩包，解压后往往是这样的景象：

中考数学/├── 2025北京卷(1).docx├── 2025北京卷.docx├── 2025北京卷最终版.docx├── 2025北京卷_副本.docx├── 2024北京卷.docx├── 2024北京卷(1).docx├── 2024北京卷 - 副本.docx└── ...

同一个文件被反复复制、重命名、存档，占据空间不说，更重要的是——你根本不知道哪个版本是最新的、最完整的。手动逐个打开比对？几十份试卷还能勉强应付，上百份呢？

解决思路：基于内容的智能去重

去重的核心思想是比较文件的实际内容，而非文件名。因为同一份试卷可能被命名为“北京卷”“北京卷(1)”“北京卷最终版”等多个版本，但内容几乎一致。我的去重脚本采用了两层过滤策略：

第一层：内容哈希比对。提取Word文档中所有段落文本和表格内容，拼接成一个完整字符串后计算MD5哈希值。哈希值相同的文件，内容必然完全相同，可以直接判定为重复。

defget_docx_hash(filepath):    doc = Document(filepath)# 提取所有段落文本    text = '\n'.join([paragraph.text for paragraph in doc.paragraphs])# 提取所有表格内容for table in doc.tables:for row in table.rows:for cell in row.cells:                text += '\n' + cell.textreturn hashlib.md5(text.encode('utf-8')).hexdigest()

第二层：优先级保留策略。当多个文件内容完全一致时，保留哪个？我的策略是：优先保留不带括号标记的原始文件，删除带有 (1)、(2)、（1） 等括号数字标记的重复副本。

defis_duplicate_filename(filename):"""判断文件名是否包含重复标记，如 (1)、(2)、（1）等"""    name_without_ext = os.path.splitext(filename)[0]    pattern = r'[\(（]\s*\d+\s*[\)）]'returnbool(re.search(pattern, name_without_ext))defget_file_priority(filepath):"""优先级：无括号标记的文件优先级更高"""    filename = os.path.basename(filepath)return0ifnot is_duplicate_filename(filename) else1# 0为最高优先级

额外支持：脚本同时支持PDF文件的去重（通过PyPDF2或pdfplumber提取文本内容），方便处理那些以PDF格式保存的试卷。

运行效果

🔍 正在扫描目录: ./中考真题📄 找到 156 个文件🔄 正在计算文件哈希值...  进度: 156/156 - 2025上海卷.docx (DOCX)📊 扫描结果================================================================================📋 发现 23 组重复文件：【重复组 1】（共 4 个文件）  ✅ [保留] ./2025北京卷.docx (245.3 KB) [DOCX] ← 原始文件  ❌ [删除] ./2025北京卷(1).docx (245.1 KB) [DOCX]  ❌ [删除] ./2025北京卷_副本.docx (245.5 KB) [DOCX]  ❌ [删除] ./2025北京卷最终版.docx (246.0 KB) [DOCX]📦 建议删除 89 个重复文件💾 预计可释放空间: 156.78 MB

【下载】2025年全国各省市中考真题卷（已整理）

https://wxaiway.com/#/downloads/zhongkao-2025-docx

【下载】2015-2024年全国各省市中考真题卷（已整理）

https://wxaiway.com/#/downloads/zhongkao-2015-2024-docx

实践建议

• 运行去重脚本前务必备份原始文件夹，防止误删
• PDF去重需要额外安装依赖库：pip install PyPDF2 或 pip install pdfplumber
• 如果试卷中包含大量图片（而非文字），哈希去重效果会下降，此时可结合文件名相似度做辅助判断

二、公式识别：让大模型“看懂”数学

图片混战的困境

打开一份从网上下载的Word试卷，你会发现里面的图片远不止公式一种——有几何图形、函数图像、表格截图、题目标志，甚至还有水印和装饰性图标。真正的挑战在于：这些图片和题干文字混在一起，你需要精确地识别出哪些是公式图片需要转换，哪些是几何图形需要保留原样。

一份典型的中考数学试卷，往往包含以下几种图片：

图片类型	示例	是否需要转换	处理方式
数学公式		✅ 需要	识别为LaTeX
几何图形	三角形、圆、函数图像	❌ 不需要	保留为图片
表格截图	数据统计表	❌ 不需要	转为Markdown表格或保留图片
题目标志	校徽、水印	❌ 不需要	丢弃或忽略
坐标系图像	抛物线、直线图	❌ 不需要	保留为图片

典型场景：一张图里既有公式又有图形

最让人头疼的是那种公式与图形混合的图片，比如一道几何题中，图形旁边标注了角度或边长公式：

[三角形图片]∠A = 30°，AB = 5cm，AC = 7cm求：BC的长度

这张图片里既有几何图形（需要保留），又有公式标注（需要识别为LaTeX）。如果直接整张图丢给大模型识别，可能会把图形也尝试转换成LaTeX，产生一堆无意义的符号。

解决思路：分而治之 + 智能筛选

第一步：批量提取所有图片

将docx文件后缀改为.zip，解压后进入word/media/目录，所有图片按顺序排列：

media/├── image1.png   ← 可能是公式├── image2.png   ← 可能是几何图形├── image3.png   ← 可能是公式├── image4.png   ← 可能是表格截图├── image5.png   ← 可能是函数图像└── ...

第二步：根据图片特征智能分类

图片本身携带了一些可用于分类的线索：

• 尺寸特征：公式图片通常较小（宽高比接近黄金比例），几何图形通常较大且方正
• 颜色特征：公式大多是黑白或灰度，几何图形可能包含彩色
• 内容特征：通过快速OCR扫描，检测是否包含数学符号（如 =、∑、√、∫等）或纯几何描述

一个简单的分类策略：

defclassify_image(image_path):"""初步判断图片类型"""# 1. 尺寸判断    width, height = get_image_size(image_path)    aspect_ratio = width / height# 公式图片通常宽高比在1.5~3之间if1.5 < aspect_ratio < 3and width < 300:return"likely_formula"# 2. 内容检测（快速OCR识别关键词）    text = quick_ocr(image_path)if re.search(r'[=√∫∑∂∆]', text):return"likely_formula"if re.search(r'三角形|圆|正方形|平行|垂直', text):return"likely_geometry"return"unknown"

第三步：分类型处理

第四步：人工复核与校正

自动分类不可能100%准确，建议采用“批量处理+抽检复核”的策略：

1. 对分类为“公式”的图片，随机抽检10%，确认识别质量
2. 对分类为“几何图形”的图片，抽检确保没有漏掉的公式
3. 对不确定的图片，逐张人工判断

大模型识别的提示词技巧

对于需要识别为LaTeX的公式图片，提示词的设计直接影响输出质量：

基础提示词（适用于纯公式图片）：

请将这张公式图片转换为LaTeX代码。要求：1. 仅返回LaTeX代码，不要任何额外解释2. 使用行内公式格式 $...$ 或独立公式格式 $$...$$3. 保留所有上下标、分式、根号等结构

进阶提示词（适用于公式+图形混合图片）：

这张图片包含几何图形和数学标注。请：1. 识别图中的数学公式和符号，转换为LaTeX代码2. 对图形部分，用文字描述其几何特征3. 输出格式：[LaTeX代码] + [图形描述]

实际操作中的经验

1. 批量处理效率：使用API批量发送图片时，注意速率限制，建议每次10-20张为一组，间隔几秒再发下一组
2. 成本控制：大模型API按token计费，LaTeX代码通常比图片占用的token少得多，建议先用低成本模型做初步识别，再用高精度模型复核疑难图片
3. 保留原始图片：即使识别为公式，也建议在Markdown中保留图片链接作为备份，万一LaTeX有误可以回退

效果对比

处理前：

[image1.png]  ← 公式 E=mc² 的截图[image2.png]  ← 三角形ABC的图形[image3.png]  ← 分式 \frac{a}{b} 的截图

处理后：

公式：$E = mc^2$![三角形ABC](./images/triangle.png)分式：$\frac{a}{b}$

原本混杂在题干中的各种图片，现在被精准分类处理——公式变成了可编辑的LaTeX代码，几何图形保留了清晰的图片，整个文档既保留了结构信息，又实现了公式的可编辑性。

三、整理为Markdown格式

为什么选择Markdown作为中间格式？

很多人会问：为什么不直接从Word转Word？原因是——Markdown是当前最“干净”的文档中间格式。

• 纯文本，版本控制友好（可以放在Git里追踪每次修改）
• 公式用LaTeX书写，本身就是可编辑的文本
• 可以方便地拆解、合并、批量替换内容
• 几乎所有文档转换工具都支持Markdown作为输入

转换规范

一份规范的试卷Markdown应遵循以下结构：

# 2025年北京市中考数学试卷**考试时间：120分钟  满分：120分**## 一、选择题（每题3分，共24分）1. 计算 $2^{-2} \times 4$ 的结果是（  ）   A. $\frac{1}{4}$    B. 1    C. 2    D. 42. 如图，在 $\triangle ABC$ 中，$AB = AC$，$\angle A = 40^\circ$，则 $\angle B =$（  ）   A. $40^\circ$    B. $70^\circ$    C. $80^\circ$    D. $140^\circ$## 二、填空题（每题3分，共24分）9. 分解因式：$x^3 - 4x = \_\_\_\_\_\_$## 三、解答题（共72分）17. （5分）计算：$\sqrt{18} - 4\sqrt{\frac{1}{2}} + \sqrt{2}$

重点注意事项

• 行内公式用$...$包裹，独立公式用$$...$$包裹，不要混用
• 选择题的选项对齐保持一致，推荐用四个空格或Tab分隔
• 填空题的横线用\_\_\_\_\_\_表示
• 图片（如几何图形）保留为![图1](images/fig1.png)，待后续处理

处理流程中的顺序安排

在整理为Markdown的过程中，建议遵循以下操作顺序：

1. 先整体后局部：先把整份试卷的文本框架搭建起来（标题、题型、题号），再逐题填充内容
2. 公式优先替换：在所有内容中，优先将识别好的LaTeX代码填入对应位置
3. 图片最后处理：几何图形等非公式图片，在文本和公式都整理好之后，再插入到对应位置
4. 统一校验：完成全部转换后，通读一遍，检查公式是否正确渲染、图片位置是否合理

四、通过MD2EXAM实现一键导出

MD2EXAM 是专门为教育场景设计的Markdown转Word工具，它解决了试卷转换中的核心痛点。【已整理好 2025年中考试卷的Markdown】

https://wxaiway.com/md2exam/

转换后的Word文档，所有公式均可在Word公式编辑器中修改。原本需要数百次手动录入的工作，现在只需一次上传、一次点击即可完成。

当然也可以使用 md2wd，也可正确导出word文档。

https://wxaiway.com/md2wd/

工作流闭环

Word（图片公式）→ 去重 → 大模型识别 → Markdown → MD2EXAM/MD2WD → Word（可编辑公式）

小结

如果你也经常被试卷整理折磨，不妨试试这套方法——第一次搭建可能需要一些时间，但从第二份试卷开始，你会感谢自己今天的选择。