转换带有多级列表样式的word文档，编号信息会消失

[yxtykqh]

🔎 Search before asking | 提交之前请先搜索

• I have searched the MinerU Readme and found no similar bug report.
• I have searched the MinerU Issues and found no similar bug report.
• I have searched the MinerU Discussions and found no similar bug report.

🤖 Consult the online AI assistant for assistance | 在线 AI 助手咨询

• I have consulted the online AI assistant but was unable to obtain a solution to the issue.

Description of the bug | 错误描述

转换带有多级列表样式的word文档，编号信息会消失
例如源文档内容为：
第三十六条 本制度由行政部负责解释。
（一）例行检查……
其中三十六条和（一）为自动生成编号

转换后的格式变为：

• 本制度由行政部负责解释。
• 例行检查
  条数信息缺失

How to reproduce the bug | 如何复现

转换带有多级列表样式的word文档，编号信息会消失
例如源文档内容为：
第三十六条 本制度由行政部负责解释。
（一）例行检查……
其中三十六条和（一）为word自动生成编号

转换md后的格式变为：

• 本制度由行政部负责解释。
• 例行检查
  条数信息缺失

Operating System Mode | 操作系统类型

Linux

Operating System Version| 操作系统版本

rocky 8

Python version | Python 版本

3.12

Software version | 软件版本 (mineru --version)

>=2.5

Backend name | 解析后端

vlm

Device mode | 设备模式

cuda

[dosubot]

Hi @yxtykqh! I'm Dosu and I'm helping the OpenDataLab team.

这是一个已确认的架构限制。MinerU 的 docx 转换器在处理 Word 自动生成编号时，不会解析 w:lvlText 格式字符串（如 "第%1条"、"（%1）"）来生成实际显示文本。

具体原因如下：

1. Word 文档中，自动编号的实际显示文本（如"第三十六条"、"（一）"）并不存储在段落文本中，而是由 Word 根据 numbering.xml 中的格式模板（w:lvlText）和计数器在渲染时动态生成的。
2. MinerU 的转换器会读取编号元数据（numId、ilvl、numFmt、start 值）[1]，也会维护有序列表的计数器 [2]，但缺少提取 w:lvlText 并将 %1、%2 占位符替换为实际计数值的逻辑。
3. 因此输出的列表项只包含段落正文（如"本制度由行政部负责解释。"），编号前缀完全丢失 [3]。

这个问题影响所有使用自定义编号格式的 Word 文档，不仅限于中文文档。要解决此问题，需要在 docx 转换器中增加对 w:lvlText 格式字符串的解析和编号文本的生成逻辑。

To reply, just mention @dosu.

---

Share context across your team and agents. Try Dosu.

[yxtykqh]

怎么加w:lvlText 格式字符串的解析和编号文本的生成逻辑。

[dosubot]

@yxtykqh 需要修改的核心文件是 mineru/model/docx/docx_converter.py [1]。现有代码已经有提取 w:numFmt 和 w:start 的基础设施，只需扩展它来处理 w:lvlText。以下是具体步骤：

1. 在 __init__() 中添加缓存 [2]

self._numbering_lvlText_cache: dict[tuple[int, int], Optional[str]] = {}
self._numbering_numFmt_cache: dict[tuple[int, int], Optional[str]] = {}

同时在 convert() 方法中重置这些缓存 [3]。

2. 添加 w:lvlText 提取方法（参照现有的 _get_numbering_level_start() 方法 [4] 的模式）：

def _get_numbering_level_lvlText(self, numId: int, ilvl: int) -> Optional[str]:
    cache_key = (numId, ilvl)
    if cache_key in self._numbering_lvlText_cache:
        return self._numbering_lvlText_cache[cache_key]
    
    lvl_element = self._get_numbering_level_definition(numId, ilvl)
    if lvl_element is None:
        self._numbering_lvlText_cache[cache_key] = None
        return None
    
    namespaces = {"w": "http://schemas.openxmlformats.org/wordprocessingml/2006/main"}
    lvl_text_element = lvl_element.find("w:lvlText", namespaces=namespaces)
    lvl_text = lvl_text_element.get(self.XML_KEY) if lvl_text_element is not None else None
    self._numbering_lvlText_cache[cache_key] = lvl_text
    return lvl_text

3. 添加编号文本解析方法：

def _resolve_numbering_text(self, numId: int, ilvl: int, current_number: int) -> str:
    lvl_text = self._get_numbering_level_lvlText(numId, ilvl)
    num_fmt = self._get_numbering_level_numFmt(numId, ilvl)  # 可从 _is_numbered_list 中提取复用
    
    formatted = self._format_number(current_number, num_fmt)
    
    if lvl_text is None:
        return f"{formatted}."
    
    # w:lvlText 中的 %1 表示第1级编号，%2 表示第2级，依此类推
    result = lvl_text
    for level in range(ilvl + 1):
        placeholder = f"%{level + 1}"
        if placeholder in result:
            counter = self.list_counters.get((numId, level), 1)
            result = result.replace(placeholder, self._format_number(counter, num_fmt))
    return result

def _format_number(self, number: int, num_fmt: str) -> str:
    if num_fmt in ("decimal", "decimalZero"):
        return str(number)
    elif num_fmt == "lowerRoman":
        return self._to_roman(number).lower()
    elif num_fmt == "upperRoman":
        return self._to_roman(number).upper()
    elif num_fmt == "lowerLetter":
        return chr(ord('a') + number - 1) if 1 <= number <= 26 else str(number)
    elif num_fmt == "upperLetter":
        return chr(ord('A') + number - 1) if 1 <= number <= 26 else str(number)
    return str(number)

4. 修改 _add_list_item() 将编号文本插入内容前面 [5]：

在构建 content_text 并 normalize 之后、判断空文本之前，插入：

content_text = self._build_text_with_equations_and_hyperlinks(elements, text, equations)
content_text = self._normalize_text_block_content(content_text)

# ---- 新增代码 ----
if is_numbered and list_start is not None:
    numbering_text = self._resolve_numbering_text(numid, ilevel, list_start)
    content_text = f"{numbering_text} {content_text}"
# ---- 新增结束 ----

if content_text == "":
    return None

这样对于格式字符串为 "第%1条" 且当前计数为 36 的情况，会解析出 "第36条"，再拼接到段落文本前面，最终输出 "第36条 本制度由行政部负责解释。"。

注意：w:lvlText 中的 %1、%2 占位符分别引用第 1 级、第 2 级的当前计数值。多级列表（如你提到的"（一）"）需要从 self.list_counters 中获取对应级别的计数器值，并且每个级别可能有不同的 numFmt，需要分别获取各级的格式。中文大写数字格式（如"一"、"二"）对应的 numFmt 值通常是 chineseCountingThousand 或类似值，需要额外添加中文数字转换逻辑。

To reply, just mention @dosu.

---

Share context across your team and agents. Try Dosu.

[yxtykqh]

这个是不是现在mineru存在的bug？

[dosubot]

@yxtykqh 是的，这可以认为是 MinerU 当前的一个功能缺陷。docx 转换器读取了 Word 编号的元数据（numId、ilvl、numFmt、start 值）[1]，但缺少对 w:lvlText 格式字符串的解析逻辑 [2]，导致所有 Word 自动生成的编号（如"第三十六条"、"（一）"等）在转换时丢失。这不是偶发的异常行为，而是代码中确实没有实现这部分功能。

To reply, just mention @dosu.

---

Share context across your team and agents. Try Dosu.

[yxtykqh]

转人工