DOCAI · 课程 · L2 · 20 分钟 · 核心功能应用
Claude Code 文档格式处理：统一和转换格式
把格式问题拆成字符、结构、载体三层，先写一份规范再动手；附网页清理、文字转表格与互转验收的具体做法。
你将学会
- 能判断格式问题出在哪一层
- 能先定规范再让模型统一文档
- 能验收转换结果，确认内容没被改动
格式问题分三层
一份文档「看起来很乱」，原因可能完全不同。先分层，再决定怎么处理：
- 字符层：全角半角混用、中英文之间没有空格、标点不统一、复制带来的乱码；
- 结构层：标题层级混乱、列表和段落混在一起、该用表格的地方写成了一串句子；
- 载体层：Word、表格、PDF、纯文本之间来回转换时的丢失与变形。
分层的好处是知道该用什么手段。字符层的问题，查找替换就能解决大半；结构层需要模型理解内容；载体层则取决于你用什么工具打开和保存。三层混在一起提要求，模型改了这个漏了那个，你还看不出问题出在哪。
先写规范，再改文档
多人合写的稿子，缺的不是语言能力，是一份写下来的规则。花十分钟把规范定好，之后每份文档都能套。
| 项目 | 规则 |
|---|---|
| 标点 | 正文用全角，代码和文件名保持半角 |
| 数字 | 计量用阿拉伯数字，概数用汉字 |
| 中英文之间 | 空一格 |
| 标题 | 一级用「一、二、三」，二级用「（一）（二）」 |
| 术语 | 首次出现写全称，之后用简称 |
把这张表连同文档一起交给它，并要求分两步：先输出问题清单（位置、原文、建议），你确认后再改全文。一次只做判断，一次只做修改，出错时容易定位。这份规范本身也可以存成提示词模板，团队里谁都能用。
清网页粘贴的文字
从网页复制正文，常带着标签、转义字符和一堆空行。清理时最怕它顺手改写内容，所以约束要写死：
下面是从网页复制的正文。只做清理，不改写：
1. 去掉标签和转义字符；
2. 连续空行合并成一行空行；
3. 保留原来的段落顺序和每一句话；
4. 去掉行尾空格。
输出清理后的正文，再告诉我删掉了哪些标签、合并了几处空行。最后一句是验收手段。它报出的标签数量和空行数量，你可以对照原文快速判断有没有漏。
文字变表格
一堆描述性文字想变成表，先把表头和缺失规则定好，再给一行样例。样例比形容词有效，它照着样例排，列就不会串。
把下面的书目信息整理成 CSV：
表头：书名,作者,定价,库存,备注
缺失的信息留空，不要补全。
书名里含逗号的，用引号包住。
只输出 CSV，不要解释文字。拿到结果先别急着导入。看一眼含逗号的书名有没有被引号包住，列数是否每行一致。表格工具最常见的坏法不是内容错，而是错位——一列错，整表都读错。
批量改名：规则先写成清单
整理下载目录时，文件名比正文更烦：日期写法不一、中英文黏在一起、括号和空格混用。把规则写成清单，再让它逐个套：
按下面的规则重命名这些文件，只输出「原名 → 新名」两列：
1. 日期统一为 YYYY-MM-DD；
2. 中文与英文、数字之间各留一个空格；
3. 只保留中文、英文、数字、短横线和下划线；
4. 英文全部小写；
5. 扩展名原样保留，不改大小写。
原文件：
2025年1月销售报告 final版.docx
Q4-review报告（已修改）.pdf
ProjectPlan2024.12.xlsx
方案设计v2-final-2025.pptx规则里最容易被忽略的是扩展名。只改主名、不动后缀，才不会出现双击打不开的情况。改完先在一两个文件上试，确认没问题再整批执行；真正动手之前，让它只给对照表，由你或脚本去改名，比让它直接操作文件安全。
载体之间怎么转
- 纯文本转 Word：保留标题层级、列表和代码块，其余交给样式。环境里装了转换工具可以让它调用，没装就让它先输出结构清楚的纯文本，再粘进去。
- Word 转纯文本：重点检查脚注、批注、表格和图片有没有丢。转换完对照目录看一遍章节是否齐全。
- PDF 转文本：有文字层的可以直接抽取；扫描件先做 OCR，否则拿到的只是空白和猜测。
- 表格与 CSV：注意编码，中文乱码时换成带 BOM 的 UTF-8 再打开。
具体能用哪个转换器，以你机器上的环境为准，不要照抄别人的命令。
常见故障：现象、原因、处理
| 现象 | 原因 | 处理 |
|---|---|---|
| 统一之后全角半角又混了 | 规范没写例外，代码和路径也被一起改了 | 在规范里注明代码、路径、文件名保持半角 |
| 表格导入后整列错位 | 单元格里含逗号或换行，被当成分列符 | 含逗号的字段加引号，或改用制表符分隔 |
| 中文打开是乱码 | 保存编码与打开方式不一致 | 统一存为带 BOM 的 UTF-8，再导入表格软件 |
| 转换后少了几段 | 原文用了文本框、批注或脚注 | 转换前把这些内容并进正文，转换后对照目录检查 |
还要接受一个现实：格式转换没有无损的通用方案。复杂版式、公式、图表和批注，跨载体时总会丢一些；重要文档保留原件，转换件只用来阅读或检索。需要固定字段给程序读取时，参考结构化输出。
验收：内容没变才算成功
转换和统一格式，第一原则是内容不动。交活前过一遍清单：
- 字数在合理范围内，没有整段消失；
- 数字、日期、金额、专有名词逐个对；
- 标题层级和列表数量与原文一致；
- 链接、脚注、表格列数没有丢；
- 原文另存一份，改完用对比工具看差异。
模型说「只调整了格式」不算证据，差异清单才算。格式是为内容服务的，别为了好看把意思改掉。下一节把单份处理扩展成批量的流水线：批量文档处理。
自测
先自己回答，再展开对照；答不上来就回到对应小节。01格式问题分哪三层？看答案
字符层（标点、空格、全半角）、结构层（标题、列表、表格、段落）、载体层（docx、xlsx、pdf、md 等文件格式）。
02为什么先出问题清单再改文档？看答案
先看清单能确认它理解对了规范，也避免它一边判断一边改写，把内容一起动掉。