简介这是一份面向单招考试考生的计算机基础知识题库PDF集中梳理计算机基础核心考点配有选择题与答案覆盖计算机功能、定义、CPU、应用领域、发展历程、硬件组成、输入输出设备、存储与病毒等常见考点适合考前刷题和查漏补缺。资源包共1个PDF文件大小约45KB内容精简易用可打印或导入移动设备随时学习。目前已有633人学习/下载。PDF内包含多道典型练习题并直接标注参考答案例如计算机辅助设计的缩写、ENIAC、冯·诺依曼存储程序概念、机器语言、RAM断电数据丢失等同时涵盖硬盘、U盘、闪存卡、打印机、鼠标等外设辨析以及计算机发展阶段、软件分类、病毒传染途径等高频知识点能帮助考生快速掌握命题方向与记忆重点提升备考效率。1. 单招考试计算机基础知识题库PDF先把它当成一份待清洗的数据拿到单招考试计算机基础知识题库.pdf这类文件的人诉求通常不是同一种考生想当刷题本辅导老师想按章节选题组卷而IT从业者大多想把题目抽出来重排、统计正确率、再生成一套自己的模拟卷。这个PDF表面上是题目集实际同时承担了考纲、练习册和答案解析三个角色但PDF这种格式决定了它难以查询、难以复用、难以按薄弱环节出题。要让这份题库真正变成能用数据就得先确认它属于哪种PDF有文本层可以直抽扫描件需要OCR图文混排则要分层处理。接下来这套方案是处理这类题库的完整路径从考核内容映射、题目切分、入库去重、随机组卷一直落到扫描版兜底和成品导出适合正在帮考生整理资料、也想练一手PDF解析能力的同行。2. 单招计算机基础考核范围把题库PDF的题目映射成知识点标签2.1 单招计算机基础的知识点拓扑从信息编码到信息安全单招考试的计算机基础命题范围比各类等级考试收敛绝大多数题目围绕六个模块展开。首先是信息与编码包括进制转换、ASCII码与汉字编码这类题通常以计算形式出现比如给你一个十进制数让转二进制。其次是计算机系统组成冯·诺依曼结构、CPU内部结构、存储器层次和输入输出设备是固定考点判断题常在这里埋伏笔。第三是操作系统基础Windows的文件管理、进程概念、任务管理器的作用几乎每次都会出题。第四是办公软件Word的排版、Excel的公式与单元格引用、PowerPoint的幻灯片操作是操作题和选择题的主要来源。最后是网络基础与信息安全IP地址分类、TCP/IP协议族、病毒防治和防火墙概念近年占比在持续上升。知识模块高频考点常考题型信息与编码十进制/二进制/十六进制互转、ASCII码选择题、填空题计算机组成冯·诺依曼结构、存储器层次、总线选择题、判断题操作系统文件系统、进程概念、控制面板判断、选择Office软件Excel相对/绝对引用、Word样式选择、操作题网络基础IP地址分类、OSI模型、常用协议选择、填空信息安全病毒类型、防火墙、数据备份判断题为主拿到PDF后先按这张表对目录或章节标题做粗分类分类结果决定后续标签体系怎么建。如果PDF里已经有第一章 计算机基础知识这类结构标签直接沿用如果题目乱序就得靠题干关键词回填标签。这个映射动作做在前面之后所有统计才有依据否则题目入库后想按知识点出卷只能重新翻PDF。2.2 题型决定解析策略选择题、判断题、填空题的存储差异题库PDF的解析难点不在把文字读出来而在题型识别。选择、判断、填空三种题型在版式上是三种不同的数据模型选择题题干后跟四到五个选项选项可能单行排也可能两列排判断题通常只有一行题干加√×或对错填空题则要处理下划线和括号占位。操作题在题库里经常以截图形式出现解析时要单独把它识别成图片题存好路径。我一般会在切题前先做一次题型分区而不是逐题判断。常见题库PDF会有一、单项选择题二、判断题这类小节标题场景里先定位小节标题把PDF切割成若干区间区间内再按题号切分准确率比全文逐题扫描高一个量级。这个先后顺序很多人反着来结果选项跑到别的题里。后续入库也建议给每题加type字段而不是把所有题型混在一张表里再靠后续程序猜题型。2.3 建立题库标签树让题目从静态文本变成可检索资源知识点标签直接影响组卷质量。给题库建标签体系时先建一棵标签树根是六大模块叶节点是具体考点比如网络基础→IP地址→子网掩码。这样设计的好处是组卷时可以取IP地址节点下的全部题目也可以只取子网掩码这个粒度的几道题。标签粒度越细后期按薄弱环节出卷就越准。{ name: 计算机基础, children: [ {name: 信息与编码, children: [ {name: 进制转换}, {name: ASCII与汉字编码} ]}, {name: 网络基础, children: [ {name: IP地址, children: [{name: IP分类}, {name: 子网掩码}]} ]} ] }标签的标注方式不必手工逐题填常见做法是维护一个关键词到标签的映射表题干出现ASCII自动打信息与编码出现防火墙自动打信息安全。规则漏掉的由人工补补完把新词加进映射表。这套标签树存成JSON或YAML都行重点是它独立于题库数据换一份PDF还能复用。3. 用PyMuPDF和正则按题号切分题库PDF的文本层3.1 先判定PDF种类文本层、扫描件还是图文混排处理任何题库PDF第一步都是探测而不是拿到就写解析。用PyMuPDF打开文件后统计每页get_text的字符数一页纯文本通常有几百字扫描件则几乎为0。同时统计每页图片数量扫描件每页都挂一张大图图文混排则是少量插图零散分布。这个预先判断决定了后面走哪条路跳过它会白做很多工作。import fitz def probe_pdf(pdf_path): doc fitz.open(pdf_path) for i in range(min(5, len(doc))): page doc[i] text page.get_text(text) images page.get_images(fullTrue) print(fpage {i 1}: text_len{len(text)}, image_count{len(images)}) doc.close()参数说明min(5, len(doc))控制只探测前五页避免大文件浪费IOget_text(text)是纯文本提取模式拿不到东西时再考虑rawdict模式。观察输出结果 提示若前五页文本长度都接近0且图片数≥1这个PDF是扫描件直接跳到第5章OCR方案若文本正常但有零散图片按文本层解析图片位置用page.get_image_rects单独记录后续操作题要用。3.2 用PyMuPDF抽取全文按题号正则切分题目定性为文本层后下一步是全文抽取和按题号切分。单招题库常见题号格式有1.、1、和1三种有的用全角句点1正则里必须全部兼容。题号正则处理不当就会漏切或把答案页的数字当题号所以正则可以多列几个格式。import fitz import re def split_questions(pdf_path): doc fitz.open(pdf_path) text \n.join(page.get_text(text) for page in doc) doc.close() pattern re.compile(r(?m)^\s*(\d{1,3})[\.、]\s*) matches list(pattern.finditer(text)) blocks [] for idx, m in enumerate(matches): end matches[idx 1].start() if idx 1 len(matches) else len(text) blocks.append({qno: m.group(1), text: text[m.start():end]}) return blocks, text切分结果的每个block就是一个候选题目qno是题号text是题干加选项的原始文本。 注意正则用了行首锚点^和re.MULTILINE因为题号通常独占一行如果题库把题号和题干挤在同一行就去掉(?m)让它匹配全文中的题号。切分之后先检查blocks数量与PDF答案页的题数是否一致不一致说明正则漏切或多切。常见原因有二题号跨页导致后半截丢题或者答案页里的第1套数字被当成题号此时需要把答案页页码排除在切题范围外。3.3 按题型分区再切题避免选项串题直接按题号切分在纯选择题里没问题但判断题和填空题混排时容易翻车。判断题题干3. Windows操作系统是单用户多任务系统。里的括号可能和下一题边界混淆填空题的第1空同样会干扰表达式。所以先把文本按大题标题分区而不是全文直接切。section_pattern re.compile( r(?m)^\s*([一二三四五六])[、.]?\s*([\u4e00-\u9fa5]{2,6}?题)\s* )这个正则匹配一、单项选择题二、判断题这类大题标题按命中位置把全文切成多个section。每个section内再套用题号正则题型由section标题指定。同一个题号正则在选择题区间切出来的文本解析成options在判断题区间切出来的直接当stem。分区切题的另一个好处是错题定位容易哪道题乱了就在它所在section里找不用在几千行文本里翻。实际处理时我会先把section标题和页码打出来核对一遍偶尔有PDF把三、填空题印在页脚导致正则多切这时给section_pattern加一个排除页码的判断就行。3.4 选项跨行、全角标点和伪乱码的边界处理题库PDF切题之后最常遇到的三个坑是选项跨行、全角标点对齐错位、以及软件生成的伪乱码。选项跨行指B. 计算机的硬件系统由运算器、控制器、存储器、输入设备以及换行后输出设备组成解析选项时必须把连续文本行合并再按A.到B.之间的内容切选项。伪乱码通常来自PDF内嵌字体的ToUnicode映射不完整抽出的文本里出现锘这类错字遇到时删掉那一段并标记人工复核。def merge_lines_for_questions(lines): buf [] for ln in lines: ln ln.strip() if not ln: continue buf.append(ln if not buf else ln) if re.search(r[。)]\s*$, ln): yield .join(buf) buf []这里用一个生成器按句子结束符合并跨行文本遍历PDF每页的原始行列表。全角标点的处理用unicodedata.normalize(NFKC, text)统一转半角但注意中文括号不需要转否则知识点标签里的中文标点被替换后影响后续匹配。合并完再跑一次切题正则串题率会明显下降。这类清洗步骤虽然不起眼但直接影响去重环节题干里带着换行符的题和没带换行符的同一道题会在数据库里变成两条记录。4. 把题库PDF的题目落进SQLite去重、答案对齐与随机组卷4.1 题目字段规范化题干、选项、答案、解析与标签各归其位文本切完进入数据层题目记录固定成六字段编号、题型、题干、选项、答案、解析外加两个元信息知识点标签和来源页码。选择题的选项用JSON数组存不用逗号拼接因为选项文本里可能自带逗号。答案是单独存还是跟着选项走取决于答案来源。多数题库PDF的答案在文末以1-5 ACDBD这种压缩形式出现需要先解析答案行再回填到对应题号。import re def parse_answer_line(answer_text): answer_map {} for m in re.finditer(r(\d)\s*[-~]\s*(\d)\s([A-D]), answer_text): start, end, seq int(m.group(1)), int(m.group(2)), m.group(3) for i, ch in enumerate(seq): answer_map[start i] ch return answer_map参数说明start和end是起止题号seq是这一行的答案串比如1-5 ACDBD会把ACDBD依次映射到1到5题。 注意有的答案用全角横线——或顿号分隔正则里也要补上。映射建立后逐题回填answer字段回填不上说明题目数量和答案数量对不上此时不要猜测回到第3章检查切分结果。4.2 SQLite建表与唯一约束去重题库PDF经过多版本拼盘后经常出现重复题去重必须在入库时完成不能靠人工肉眼检查。做法是在题干和选项组合上建唯一索引插数据用INSERT OR IGNORE。这道约束把脏数据挡在库外比每次查询时DISTINCT靠谱。CREATE TABLE questions ( id INTEGER PRIMARY KEY AUTOINCREMENT, qno TEXT NOT NULL, type TEXT NOT NULL DEFAULT choice, stem TEXT NOT NULL, options TEXT NOT NULL DEFAULT [], answer TEXT, analysis TEXT, tags TEXT DEFAULT [], source_page INTEGER, UNIQUE (stem, options) ); CREATE INDEX idx_type ON questions(type); CREATE INDEX idx_tags ON questions(tags);唯一约束建在stemoptions上因为同一道题在不同PDF里选项顺序可能互换但题干一般稳定。 提示发现重复率异常高时先查题干里是否混入不可见字符插入前统一做strip()和内部空白折叠否则完全相同的题因为一个空格就插两次。import sqlite3 import json conn sqlite3.connect(question_bank.db) for q in normalized_questions: conn.execute( INSERT OR IGNORE INTO questions (qno, type, stem, options, answer, analysis, tags, source_page) VALUES (?, ?, ?, ?, ?, ?, ?, ?), (q[qno], q[type], q[stem], json.dumps(q[options], ensure_asciiFalse), q[answer], q.get(analysis, ), json.dumps(q[tags], ensure_asciiFalse), q[page]) ) conn.commit()插入前把options和tags序列化成JSON字符串读取时json.loads还原这样SQLite不需要单独的关联表单文件题库足够用。INSERT OR IGNORE命中唯一约束时静默跳过所以插入后可以用两个count的差值判断去重命中数差多少就有多少重复题。4.3 按标签和题型随机出卷答案自动匹配数据落库后出卷就是一次查询的事。组卷逻辑要同时满足三个条件指定知识点标签、指定题型数量、避免和上一次练习重复。随机抽题在SQLite里用ORDER BY RANDOM()实现几千题的小库性能没有任何问题。def build_paper(conn, tag, types, counts): rows [] for t, n in zip(types, counts): cur conn.execute( SELECT * FROM questions WHERE tags LIKE ? AND type ? ORDER BY RANDOM() LIMIT ?, (f%{tag}%, t, n) ) rows.extend(cur.fetchall()) return rowsLIKE匹配依赖tags的JSON文本包含标签名适合单标签查询标签体系复杂到需要多条件过滤时拆成question_tags关联表更稳。题库到几万道规模时把ORDER BY RANDOM()换成随机取id偏移量再WHERE id ? LIMIT ?的写法避免全表排序。出完卷要把答案按题序拼成1-5 BCDAD压缩串和原PDF答案格式保持一致学生拿到手就能对照批改。5. 扫描版题库PDF的OCR兜底与成品导出技巧5.1 PaddleOCR识别扫描页先纠偏再去噪再识别题库PDF里总会混入几页扫描件极端情况下整个文件就是扫描版。对这类页面常见做法是先用PyMuPDF把页面渲染成高分辨率图片再交给PaddleOCR识别。识别前做两步预处理检测文本行倾斜角度做纠偏用灰度化和二值化去掉背景噪点歪斜页面直接识别准确率会掉一截。pip install paddleocr paddlepaddlefrom paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch) result ocr.ocr(scanned_page.png, clsTrue)use_angle_cls参数控制文本方向分类扫描件页码放反时它能自动旋转校正langch指定中文模型。识别结果按位置排序后再套第3章的题号正则切分整体效果接近原生文本层。扫描质量太差的页预处理时把图片放大两倍再识别代价是耗时增加别直接跳过。5.2 校验答案与题数一致性OCR场景下最常见的错误是漏识别某道题导致答案和题目数量对不上。校验办法是提取答案区文本统计答案字符数再和切分出的题数比较。脚本里加一个断言数量不一致直接抛错不要静默通过静默通过的题库发出去比不发危害大。answer_text extract_answer_section(raw) answer_count len(re.findall(r[A-D], answer_text)) assert answer_count len(question_blocks), \ f答案数{answer_count}与题数{len(question_blocks)}不一致检查漏识别页答案区一般集中在PDF最后两页用页码范围过滤而不是全文匹配否则选择题题干里的A内存会被统计成答案字符。断言命中后回到对应页重新OCR比盲目调阈值效率高得多。5.3 用WeasyPrint重新导出PDF并按需拆分整理完的题库最后要导出给学生用。命令行直接渲染HTML依赖最少把题目拼成干净的HTML表格交给WeasyPrint转PDF比在Word里排版稳定。行内样式控制题号和选项的间距避免内容溢出页面。pip install weasyprintweasyprint paper.html paper.pdf需要分章练习时用pdftk按页码切分把大文件拆成按模块划分的小册子方便学生按周练习这就是最省事的PDF拆分落地方式。需要Word版时把同一份HTML喂给LibreOffice批量转换学生在手机上也方便看。导出的新PDF同时保留题干样式和答案压缩串这份文件才真正具备复用价值后续迭代只需改数据库再重新渲染一遍。本文还有配套的精品资源点击获取 单招计算机题库PDF解析：从文本抽取到自动组卷
简介这是一份面向单招考试考生的计算机基础知识题库PDF集中梳理计算机基础核心考点配有选择题与答案覆盖计算机功能、定义、CPU、应用领域、发展历程、硬件组成、输入输出设备、存储与病毒等常见考点适合考前刷题和查漏补缺。资源包共1个PDF文件大小约45KB内容精简易用可打印或导入移动设备随时学习。目前已有633人学习/下载。PDF内包含多道典型练习题并直接标注参考答案例如计算机辅助设计的缩写、ENIAC、冯·诺依曼存储程序概念、机器语言、RAM断电数据丢失等同时涵盖硬盘、U盘、闪存卡、打印机、鼠标等外设辨析以及计算机发展阶段、软件分类、病毒传染途径等高频知识点能帮助考生快速掌握命题方向与记忆重点提升备考效率。1. 单招考试计算机基础知识题库PDF先把它当成一份待清洗的数据拿到单招考试计算机基础知识题库.pdf这类文件的人诉求通常不是同一种考生想当刷题本辅导老师想按章节选题组卷而IT从业者大多想把题目抽出来重排、统计正确率、再生成一套自己的模拟卷。这个PDF表面上是题目集实际同时承担了考纲、练习册和答案解析三个角色但PDF这种格式决定了它难以查询、难以复用、难以按薄弱环节出题。要让这份题库真正变成能用数据就得先确认它属于哪种PDF有文本层可以直抽扫描件需要OCR图文混排则要分层处理。接下来这套方案是处理这类题库的完整路径从考核内容映射、题目切分、入库去重、随机组卷一直落到扫描版兜底和成品导出适合正在帮考生整理资料、也想练一手PDF解析能力的同行。2. 单招计算机基础考核范围把题库PDF的题目映射成知识点标签2.1 单招计算机基础的知识点拓扑从信息编码到信息安全单招考试的计算机基础命题范围比各类等级考试收敛绝大多数题目围绕六个模块展开。首先是信息与编码包括进制转换、ASCII码与汉字编码这类题通常以计算形式出现比如给你一个十进制数让转二进制。其次是计算机系统组成冯·诺依曼结构、CPU内部结构、存储器层次和输入输出设备是固定考点判断题常在这里埋伏笔。第三是操作系统基础Windows的文件管理、进程概念、任务管理器的作用几乎每次都会出题。第四是办公软件Word的排版、Excel的公式与单元格引用、PowerPoint的幻灯片操作是操作题和选择题的主要来源。最后是网络基础与信息安全IP地址分类、TCP/IP协议族、病毒防治和防火墙概念近年占比在持续上升。知识模块高频考点常考题型信息与编码十进制/二进制/十六进制互转、ASCII码选择题、填空题计算机组成冯·诺依曼结构、存储器层次、总线选择题、判断题操作系统文件系统、进程概念、控制面板判断、选择Office软件Excel相对/绝对引用、Word样式选择、操作题网络基础IP地址分类、OSI模型、常用协议选择、填空信息安全病毒类型、防火墙、数据备份判断题为主拿到PDF后先按这张表对目录或章节标题做粗分类分类结果决定后续标签体系怎么建。如果PDF里已经有第一章 计算机基础知识这类结构标签直接沿用如果题目乱序就得靠题干关键词回填标签。这个映射动作做在前面之后所有统计才有依据否则题目入库后想按知识点出卷只能重新翻PDF。2.2 题型决定解析策略选择题、判断题、填空题的存储差异题库PDF的解析难点不在把文字读出来而在题型识别。选择、判断、填空三种题型在版式上是三种不同的数据模型选择题题干后跟四到五个选项选项可能单行排也可能两列排判断题通常只有一行题干加√×或对错填空题则要处理下划线和括号占位。操作题在题库里经常以截图形式出现解析时要单独把它识别成图片题存好路径。我一般会在切题前先做一次题型分区而不是逐题判断。常见题库PDF会有一、单项选择题二、判断题这类小节标题场景里先定位小节标题把PDF切割成若干区间区间内再按题号切分准确率比全文逐题扫描高一个量级。这个先后顺序很多人反着来结果选项跑到别的题里。后续入库也建议给每题加type字段而不是把所有题型混在一张表里再靠后续程序猜题型。2.3 建立题库标签树让题目从静态文本变成可检索资源知识点标签直接影响组卷质量。给题库建标签体系时先建一棵标签树根是六大模块叶节点是具体考点比如网络基础→IP地址→子网掩码。这样设计的好处是组卷时可以取IP地址节点下的全部题目也可以只取子网掩码这个粒度的几道题。标签粒度越细后期按薄弱环节出卷就越准。{ name: 计算机基础, children: [ {name: 信息与编码, children: [ {name: 进制转换}, {name: ASCII与汉字编码} ]}, {name: 网络基础, children: [ {name: IP地址, children: [{name: IP分类}, {name: 子网掩码}]} ]} ] }标签的标注方式不必手工逐题填常见做法是维护一个关键词到标签的映射表题干出现ASCII自动打信息与编码出现防火墙自动打信息安全。规则漏掉的由人工补补完把新词加进映射表。这套标签树存成JSON或YAML都行重点是它独立于题库数据换一份PDF还能复用。3. 用PyMuPDF和正则按题号切分题库PDF的文本层3.1 先判定PDF种类文本层、扫描件还是图文混排处理任何题库PDF第一步都是探测而不是拿到就写解析。用PyMuPDF打开文件后统计每页get_text的字符数一页纯文本通常有几百字扫描件则几乎为0。同时统计每页图片数量扫描件每页都挂一张大图图文混排则是少量插图零散分布。这个预先判断决定了后面走哪条路跳过它会白做很多工作。import fitz def probe_pdf(pdf_path): doc fitz.open(pdf_path) for i in range(min(5, len(doc))): page doc[i] text page.get_text(text) images page.get_images(fullTrue) print(fpage {i 1}: text_len{len(text)}, image_count{len(images)}) doc.close()参数说明min(5, len(doc))控制只探测前五页避免大文件浪费IOget_text(text)是纯文本提取模式拿不到东西时再考虑rawdict模式。观察输出结果 提示若前五页文本长度都接近0且图片数≥1这个PDF是扫描件直接跳到第5章OCR方案若文本正常但有零散图片按文本层解析图片位置用page.get_image_rects单独记录后续操作题要用。3.2 用PyMuPDF抽取全文按题号正则切分题目定性为文本层后下一步是全文抽取和按题号切分。单招题库常见题号格式有1.、1、和1三种有的用全角句点1正则里必须全部兼容。题号正则处理不当就会漏切或把答案页的数字当题号所以正则可以多列几个格式。import fitz import re def split_questions(pdf_path): doc fitz.open(pdf_path) text \n.join(page.get_text(text) for page in doc) doc.close() pattern re.compile(r(?m)^\s*(\d{1,3})[\.、]\s*) matches list(pattern.finditer(text)) blocks [] for idx, m in enumerate(matches): end matches[idx 1].start() if idx 1 len(matches) else len(text) blocks.append({qno: m.group(1), text: text[m.start():end]}) return blocks, text切分结果的每个block就是一个候选题目qno是题号text是题干加选项的原始文本。 注意正则用了行首锚点^和re.MULTILINE因为题号通常独占一行如果题库把题号和题干挤在同一行就去掉(?m)让它匹配全文中的题号。切分之后先检查blocks数量与PDF答案页的题数是否一致不一致说明正则漏切或多切。常见原因有二题号跨页导致后半截丢题或者答案页里的第1套数字被当成题号此时需要把答案页页码排除在切题范围外。3.3 按题型分区再切题避免选项串题直接按题号切分在纯选择题里没问题但判断题和填空题混排时容易翻车。判断题题干3. Windows操作系统是单用户多任务系统。里的括号可能和下一题边界混淆填空题的第1空同样会干扰表达式。所以先把文本按大题标题分区而不是全文直接切。section_pattern re.compile( r(?m)^\s*([一二三四五六])[、.]?\s*([\u4e00-\u9fa5]{2,6}?题)\s* )这个正则匹配一、单项选择题二、判断题这类大题标题按命中位置把全文切成多个section。每个section内再套用题号正则题型由section标题指定。同一个题号正则在选择题区间切出来的文本解析成options在判断题区间切出来的直接当stem。分区切题的另一个好处是错题定位容易哪道题乱了就在它所在section里找不用在几千行文本里翻。实际处理时我会先把section标题和页码打出来核对一遍偶尔有PDF把三、填空题印在页脚导致正则多切这时给section_pattern加一个排除页码的判断就行。3.4 选项跨行、全角标点和伪乱码的边界处理题库PDF切题之后最常遇到的三个坑是选项跨行、全角标点对齐错位、以及软件生成的伪乱码。选项跨行指B. 计算机的硬件系统由运算器、控制器、存储器、输入设备以及换行后输出设备组成解析选项时必须把连续文本行合并再按A.到B.之间的内容切选项。伪乱码通常来自PDF内嵌字体的ToUnicode映射不完整抽出的文本里出现锘这类错字遇到时删掉那一段并标记人工复核。def merge_lines_for_questions(lines): buf [] for ln in lines: ln ln.strip() if not ln: continue buf.append(ln if not buf else ln) if re.search(r[。)]\s*$, ln): yield .join(buf) buf []这里用一个生成器按句子结束符合并跨行文本遍历PDF每页的原始行列表。全角标点的处理用unicodedata.normalize(NFKC, text)统一转半角但注意中文括号不需要转否则知识点标签里的中文标点被替换后影响后续匹配。合并完再跑一次切题正则串题率会明显下降。这类清洗步骤虽然不起眼但直接影响去重环节题干里带着换行符的题和没带换行符的同一道题会在数据库里变成两条记录。4. 把题库PDF的题目落进SQLite去重、答案对齐与随机组卷4.1 题目字段规范化题干、选项、答案、解析与标签各归其位文本切完进入数据层题目记录固定成六字段编号、题型、题干、选项、答案、解析外加两个元信息知识点标签和来源页码。选择题的选项用JSON数组存不用逗号拼接因为选项文本里可能自带逗号。答案是单独存还是跟着选项走取决于答案来源。多数题库PDF的答案在文末以1-5 ACDBD这种压缩形式出现需要先解析答案行再回填到对应题号。import re def parse_answer_line(answer_text): answer_map {} for m in re.finditer(r(\d)\s*[-~]\s*(\d)\s([A-D]), answer_text): start, end, seq int(m.group(1)), int(m.group(2)), m.group(3) for i, ch in enumerate(seq): answer_map[start i] ch return answer_map参数说明start和end是起止题号seq是这一行的答案串比如1-5 ACDBD会把ACDBD依次映射到1到5题。 注意有的答案用全角横线——或顿号分隔正则里也要补上。映射建立后逐题回填answer字段回填不上说明题目数量和答案数量对不上此时不要猜测回到第3章检查切分结果。4.2 SQLite建表与唯一约束去重题库PDF经过多版本拼盘后经常出现重复题去重必须在入库时完成不能靠人工肉眼检查。做法是在题干和选项组合上建唯一索引插数据用INSERT OR IGNORE。这道约束把脏数据挡在库外比每次查询时DISTINCT靠谱。CREATE TABLE questions ( id INTEGER PRIMARY KEY AUTOINCREMENT, qno TEXT NOT NULL, type TEXT NOT NULL DEFAULT choice, stem TEXT NOT NULL, options TEXT NOT NULL DEFAULT [], answer TEXT, analysis TEXT, tags TEXT DEFAULT [], source_page INTEGER, UNIQUE (stem, options) ); CREATE INDEX idx_type ON questions(type); CREATE INDEX idx_tags ON questions(tags);唯一约束建在stemoptions上因为同一道题在不同PDF里选项顺序可能互换但题干一般稳定。 提示发现重复率异常高时先查题干里是否混入不可见字符插入前统一做strip()和内部空白折叠否则完全相同的题因为一个空格就插两次。import sqlite3 import json conn sqlite3.connect(question_bank.db) for q in normalized_questions: conn.execute( INSERT OR IGNORE INTO questions (qno, type, stem, options, answer, analysis, tags, source_page) VALUES (?, ?, ?, ?, ?, ?, ?, ?), (q[qno], q[type], q[stem], json.dumps(q[options], ensure_asciiFalse), q[answer], q.get(analysis, ), json.dumps(q[tags], ensure_asciiFalse), q[page]) ) conn.commit()插入前把options和tags序列化成JSON字符串读取时json.loads还原这样SQLite不需要单独的关联表单文件题库足够用。INSERT OR IGNORE命中唯一约束时静默跳过所以插入后可以用两个count的差值判断去重命中数差多少就有多少重复题。4.3 按标签和题型随机出卷答案自动匹配数据落库后出卷就是一次查询的事。组卷逻辑要同时满足三个条件指定知识点标签、指定题型数量、避免和上一次练习重复。随机抽题在SQLite里用ORDER BY RANDOM()实现几千题的小库性能没有任何问题。def build_paper(conn, tag, types, counts): rows [] for t, n in zip(types, counts): cur conn.execute( SELECT * FROM questions WHERE tags LIKE ? AND type ? ORDER BY RANDOM() LIMIT ?, (f%{tag}%, t, n) ) rows.extend(cur.fetchall()) return rowsLIKE匹配依赖tags的JSON文本包含标签名适合单标签查询标签体系复杂到需要多条件过滤时拆成question_tags关联表更稳。题库到几万道规模时把ORDER BY RANDOM()换成随机取id偏移量再WHERE id ? LIMIT ?的写法避免全表排序。出完卷要把答案按题序拼成1-5 BCDAD压缩串和原PDF答案格式保持一致学生拿到手就能对照批改。5. 扫描版题库PDF的OCR兜底与成品导出技巧5.1 PaddleOCR识别扫描页先纠偏再去噪再识别题库PDF里总会混入几页扫描件极端情况下整个文件就是扫描版。对这类页面常见做法是先用PyMuPDF把页面渲染成高分辨率图片再交给PaddleOCR识别。识别前做两步预处理检测文本行倾斜角度做纠偏用灰度化和二值化去掉背景噪点歪斜页面直接识别准确率会掉一截。pip install paddleocr paddlepaddlefrom paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch) result ocr.ocr(scanned_page.png, clsTrue)use_angle_cls参数控制文本方向分类扫描件页码放反时它能自动旋转校正langch指定中文模型。识别结果按位置排序后再套第3章的题号正则切分整体效果接近原生文本层。扫描质量太差的页预处理时把图片放大两倍再识别代价是耗时增加别直接跳过。5.2 校验答案与题数一致性OCR场景下最常见的错误是漏识别某道题导致答案和题目数量对不上。校验办法是提取答案区文本统计答案字符数再和切分出的题数比较。脚本里加一个断言数量不一致直接抛错不要静默通过静默通过的题库发出去比不发危害大。answer_text extract_answer_section(raw) answer_count len(re.findall(r[A-D], answer_text)) assert answer_count len(question_blocks), \ f答案数{answer_count}与题数{len(question_blocks)}不一致检查漏识别页答案区一般集中在PDF最后两页用页码范围过滤而不是全文匹配否则选择题题干里的A内存会被统计成答案字符。断言命中后回到对应页重新OCR比盲目调阈值效率高得多。5.3 用WeasyPrint重新导出PDF并按需拆分整理完的题库最后要导出给学生用。命令行直接渲染HTML依赖最少把题目拼成干净的HTML表格交给WeasyPrint转PDF比在Word里排版稳定。行内样式控制题号和选项的间距避免内容溢出页面。pip install weasyprintweasyprint paper.html paper.pdf需要分章练习时用pdftk按页码切分把大文件拆成按模块划分的小册子方便学生按周练习这就是最省事的PDF拆分落地方式。需要Word版时把同一份HTML喂给LibreOffice批量转换学生在手机上也方便看。导出的新PDF同时保留题干样式和答案压缩串这份文件才真正具备复用价值后续迭代只需改数据库再重新渲染一遍。本文还有配套的精品资源点击获取