简介这份系统架构设计师历年案例真题及答案解析汇总面向备考软考高级系统架构设计师的考生以及需要系统梳理架构知识的开发人员聚焦历年案例分析真题与参考解答的对照复习解决案例题无从下手、答题要点把握不准的问题。压缩包内为1个docx文档体积约3.24MB按年份编排覆盖软件架构设计、结构化软件系统建模、软件架构风格、信息系统安全、数据架构建模、系统设计与开发工具集成、系统可靠性、Web应用系统架构设计及架构评估等专题目录索引清晰便于按年份和考点定位。目前已有431人学习下载文档经多轮整理迭代。读者可借真题还原命题风格逐题对照解析校验答题思路理解分布式系统设计、企业应用集成等高频考点的分析路径并归纳可复用的答题框架兼顾知识补强与应试训练。1. 手里那份案例真题 docx卡住你的其实不是题目难度很多人电脑里都躺着一份《系统架构设计师历年案例真题及答案解析汇总.docx》几百页从早年一直排到最近一次考试。真打开刷的时候才发现案例题和选择题是两种生物一道题连着三四个小问题干、问题、参考答案、解析混排在同一个文档里中间还夹着评分标准表格和原题配图。想用 CtrlF 找「质量属性」「架构评估」「缓存一致性」命中的位置散落在十几套卷子里把同一考点的历年题拉通看一遍手工翻页能翻到怀疑人生。这份资料的价值不在「有」而在「能被结构化地检索和复用」。下面这套做法的目标很具体把一份纯阅读性的 docx拆成试卷、试题、小问、答案四层结构落到一个本地 SQLite 题库里能按考点和年份查、能生成自测卷、能回溯错题。适合正在准备系统架构设计师案例科目的人也适合任何需要把成堆 Word 资料变成可查询数据集的工程师。2. 用 python-docx 解析历年案例真题从段落样式到题目结构拿到 docx 的第一反应通常是doc.paragraphs一把梭然后发现所有内容和顺序全乱了。问题出在 docx 的本质它是一棵 WordprocessingML 树段落在w:p表格在w:tbl两者是同一个w:body下的兄弟节点按文档流顺序排列。而 python-docx 把段落和表格拆成了两条互不相干的序列谁也没法告诉你「这张表格原本夹在哪两道题中间」。2.1 先摸清 docx 的骨架样式名、大纲级别与编号Word 文档里最有价值的结构信息不是文字是样式。作者排版时只要用了「标题 1 / 标题 2 / 标题 3」就等于免费给你留了一套目录树。中文版 Word 的样式名和英文版不一样做映射时两种都要认。Word 样式名在这类文档里的常见含义建议映射到标题 1 / Heading 1年份卷、批次总分节paper.year、paper.session标题 2 / Heading 2试题一、试题二……question.seq标题 3 / Heading 3【问题 1】【问题 2】sub_question.seq正文 / Normal题干正文、参考答案正文question.stem、answer.content表格评分标准、方案对比、指标表question.meta样式名靠不住的情况也很常见有些版本是纯手工加粗当标题压根没用样式。这时退一步读大纲级别p._p.pPr.outlineLvl.val拿到的数字就是 Word 认定的层级如果连大纲级别都没有只能靠文本特征试题一、【问题1】、参考答案做规则识别这部分留到第 3 章。2.2 最小可跑脚本按文档流顺序遍历内容块from docx import Document from docx.table import Table from docx.text.paragraph import Paragraph from docx.oxml.ns import qn def iter_blocks(doc): 按文档流顺序产出段落和表格避免表格位置丢失 for child in doc.element.body.iterchildren(): if child.tag qn(w:p): yield Paragraph(child, doc) elif child.tag qn(w:tbl): yield Table(child, doc) def para_text(p): p.text 拿不到 w:br/ 软换行需要自己补 parts [] for run in p.runs: parts.append(run.text) if run._r.findall(qn(w:br)): parts.append(\n) return .join(parts) doc Document(系统架构设计师历年案例真题及答案解析汇总.docx) for block in iter_blocks(doc): if isinstance(block, Paragraph): style block.style.name if block.style is not None else text para_text(block).strip() if text: print(f[{style}] {text[:80]}) else: rows [[c.text.strip().replace(\n, ) for c in r.cells] for r in block.rows] print(f[表格] {len(rows)} 行 x {len(rows[0]) if rows else 0} 列)逻辑说明iter_blocks直接在w:body的子节点上迭代用qn(w:p)把命名空间前缀补全再比对标签保证段落和表格的相对顺序和 Word 里看到的一致。para_text解决的是另一个高频坑——python-docx 的Paragraph.text只拼接 run 文本遇到w:br/这种段内换行会被直接吞掉而这类资料里「问题」和「答案」经常就靠一个软换行分隔吞掉之后切分规则全部失效。参数与调整点doc.element.body只覆盖正文如果文档带页眉页脚或文本框需要另外遍历w:txbxContent案例题里的示意图说明经常藏在文本框。打印阶段把text[:80]截断只是为了看结构正式入库时不要截。2.3 抽取参数与归一化表格、全角半角、图片题真正入库前还有一轮清洗几件事必须做全角转半角并统一空白。中文资料里分数、括号、数字混用全角半角不做归一化第 3 章的正则会匹配出一堆漏网的。合并单元格去重。Word 的合并单元格在row.cells里会重复返回同一个单元格对象一张三行合并的表会产出三份相同文本去重后剩下的才是真实内容。图片题单独打标。题干里出现w:drawing的说明配图承载了部分信息纯文本抽取会丢东西这类题必须标记needs_review1不能直接当成完整题干。import re, unicodedata def norm(s): s unicodedata.normalize(NFKC, s) # 全角转半角 s re.sub(r[\u200b\u200c\ufeff], , s) # 去零宽字符 s re.sub(r[ \t\u3000], , s) # 折叠连续空白 return s.strip() def has_image(p): return bool(p._p.findall(.// qn(w:drawing)))NFKC会把全角字母数字、全角括号、罗马数字等一并规范化代价是连字和部分特殊符号会被改写如果文档里有需要原样保留的符号改成分步替换。has_image用 XPath 在整个段落 XML 里找w:drawing比只查 run 更稳因为图片可能挂在w:r之外的容器上。注意先跑一遍全量抽取并统计「无样式段落」和「含图片段落」的数量这两个数字直接决定后面要投入多少人工校对别等到切分规则写完才发现三成内容根本走不通。3. 题干与答案解析的自动配对正则切分与人工兜底结构抽出来了接下来是最容易翻车的一步把散落的段落归到「哪一年的哪道题、第几个小问、答案是什么」。这一步没有通用解因为不同汇编版本的排版差异极大只能先归纳版式再针对版式写状态机。3.1 案例题的典型文本结构长什么样同一份汇总文档里往往混着好几种来源的排版先按答案位置分类处理成本差得很远。常见版式题干位置答案位置处理方式答案跟随小问【问题1】后紧随其后以「参考答案」开头顺序扫遇答案标记就切答案集中题尾【问题1】到【问题3】连续排题末统一给「参考答案」先收小问再按序号回填答案独立成章各试题正文文末单独的答案章节用「年份 题号 小问号」做二次匹配表格化答案题干在正文答案在表格单元格里单元格文本按小问号再切一次第四种最容易被忽略评分标准表里每个单元格可能就是一个小问的答案纯段落扫描会全部漏掉所以第 2 章的iter_blocks必须保留表格。3.2 用正则切出年份、题号、小问与参考答案import re RE_YEAR re.compile(r(20\d{2})\s*年) RE_SESS re.compile(r(上半年|下半年)) RE_Q re.compile(r^\s*(?:试题|案例)\s*([一二三四五六七八九十]|\d)) RE_SUB re.compile(r[【\[]?\s*(?:问题|小问)\s*([1-9-])\s*[】\]]) RE_ANS re.compile(r[【\[]?\s*(?:参考答案|标准答案|答案要点)\s*[】\]]?\s*[:]?) CN_NUM {一: 1, 二: 2, 三: 3, 四: 4, 五: 5, 六: 6, 七: 7, 八: 8, 九: 9, 十: 10} def parse_lines(lines): 按行扫维护 年份/题号/小问号/是否处于答案区 四个状态 state {year: None, session: None, q: None, sub: None, in_ans: False} out [] for line in lines: if (m : RE_YEAR.search(line)): state.update(yearint(m.group(1)), qNone, subNone, in_ansFalse) if (s : RE_SESS.search(line)): state[session] s.group(1) continue if (m : RE_Q.match(line)): body m.group(1) state.update(qCN_NUM.get(body, body), subNone, in_ansFalse) continue if (m : RE_SUB.search(line)): state.update(subint(m.group(1)), in_ansFalse) continue if RE_ANS.search(line): state[in_ans] True continue out.append({**state, text: line}) return out逻辑说明这套状态机的核心假设是「文档自上而下推进、状态单调继承」——年份一旦出现就作用于后面所有内容题号变化会重置小问号和答案区标记。每条文本行都带上当前状态快照入库后面想按年份、题号、小问号任意维度聚合都不用再回原文。参数说明RE_Q允许阿拉伯数字和中文数字两种编号CN_NUM负责换算超过「十」的编号十一、十二需要补一条换算规则或者直接用试题十一这类关键词兜底。RE_ANS里显式加上了「标准答案」和「答案要点」因为不少汇编文档会混用这几个说法只认「参考答案」会漏。3.3 配对失败时看这三处第一处是自动编号。有些文档的题号是 Word 自动编号p.text里根本没有「试题一」这几个字正则自然匹配不到。判断方法很简单看这一段的 XML 里有没有w:numPr有就说明序号是渲染出来的得改用分值、关键词或者大纲级别来定位。第二处是软换行被吞。前面已经提过w:br/不处理的话「问题 1」和「参考答案」可能被粘成一行状态机只认第一个标记答案就会挂错小问。落库前对每个答案块做一次长度分布统计明显偏短的说明被截断了。第三处是题号重排。同一份文档里可能先放正文再放答案两部分的「试题一」指的是不同东西。稳妥做法是把带答案标记的段落单独收集用「年份 题号 小问号」三元组做键去回填键对不上的进人工待办表。提示不要追求 100% 自动配对。先跑自动再对无法配对的行做一次集中人工确认通常只占全量的一两成比反复调正则划算得多。4. 把案例真题与答案解析灌进 SQLite表结构、FTS5 检索与知识点标签结构清晰之后存储层选型其实没什么争议单机、单文件、全文检索、无服务依赖SQLite 正好。真正需要设计的是表结构因为它决定了你后面能不能顺畅地做「按考点查历年题」这种操作。4.1 四张主表加一张标签表表名作用关键字段paper一次考试的一套卷子year、sessionquestion试题一、试题二……paper_id、seq、score、stem、topicsub_question【问题1】【问题2】question_id、seq、stem、scoreanswer参考答案与解析sub_question_id、content、sourcetopic_tag知识点标签如质量属性、架构评估question_id、tag拆成四层的理由是查询粒度。案例题真正被检索的对象是小问答案要对得上具体小问而不是整道题而知识点标签挂在大题上更合理因为一道题往往同时考架构风格和评估方法。CREATE TABLE paper ( id INTEGER PRIMARY KEY, year INTEGER NOT NULL, session TEXT, UNIQUE(year, session) ); CREATE TABLE question ( id INTEGER PRIMARY KEY, paper_id INTEGER NOT NULL REFERENCES paper(id), seq INTEGER NOT NULL, score INTEGER, stem TEXT NOT NULL, topic TEXT, needs_review INTEGER NOT NULL DEFAULT 0 ); CREATE TABLE sub_question ( id INTEGER PRIMARY KEY, question_id INTEGER NOT NULL REFERENCES question(id), seq INTEGER NOT NULL, stem TEXT NOT NULL, score INTEGER ); CREATE TABLE answer ( id INTEGER PRIMARY KEY, sub_question_id INTEGER REFERENCES sub_question(id), question_id INTEGER NOT NULL REFERENCES question(id), content TEXT NOT NULL, source TEXT );needs_review就是第 2 章给图片题留的标记位source用来区分官方答案和第三方解析两者混在一起时结论可能互相矛盾分开存后续出题时可以只挑可信来源。4.2 中文全文检索FTS5 与二元组切词FTS5 默认的unicode61分词器按非字母数字切词中文连成一片会被当成一个超长 token「质量属性」搜不到「架构的质量属性要求」这种句子。新版 SQLite 自带trigram分词器可以缓解老版本更稳的做法是自己按二元组切好再写入。import re def bigrams(text): 中文按二元组切词英文数字原样保留 t re.sub(r\s, , text) return .join(t[i:i2] for i in range(len(t) - 1))CREATE VIRTUAL TABLE sq_fts USING fts5( stem, question_id UNINDEXED, tokenize unicode61 ); -- 写入时存切好的二元组串 INSERT INTO sq_fts(rowid, stem, question_id) SELECT id, :bigram_text, question_id FROM sub_question WHERE id :id; -- 查询时同样切分用引号包住短语避免被当成语法 SELECT q.year, q.seq AS qseq, sq.seq AS sseq, substr(sq.stem, 1, 60) AS preview FROM sq_fts f JOIN sub_question sq ON sq.id f.rowid JOIN question q ON q.id sq.question_id WHERE sq_fts MATCH :query_bigram ORDER BY q.year DESC, q.seq, sq.seq LIMIT 20;逻辑说明写入侧把原文切成一串二元组比如「质量属性」变成质量 量属 属性查询侧对关键词做同样切分MATCH 质量 量属 属性就能命中任何包含这几个字连续出现的小问。question_id UNINDEXED是为了建索引后还能快速回连大题不参与分词。参数说明:query_bigram必须整体用双引号包成短语因为 FTS5 的 MATCH 语法里-、*、都是操作符用户直接搜「架构评估-ATAM」会触发语法错误。长度小于 2 的关键词单个汉字二元组切不出来这类查询退回LIKE %字%扫描量级不大时完全可接受。4.3 查询参数与三个常见坑第一个坑是排序。FTS5 的bm25()按相关性排序但备考场景里「最近的年份优先」往往比相关性更有用所以先用ORDER BY q.year DESC再考虑相关性或者把两者组合同一批年份内用 bm25 排序。第二个坑是同义词。用户搜「质量属性」文档里可能写「非功能需求」「质量场景」纯字符串匹配永远搜不全。做法是在topic_tag表里维护标签和别名的映射检索时先查标签表拿到同义词组再去 FTS5 里做 OR 查询。SELECT q.year, q.seq, sq.stem FROM sq_fts f JOIN sub_question sq ON sq.id f.rowid JOIN question q ON q.id sq.question_id WHERE sq_fts MATCH 质量 量属 属性 OR 非功 功能 能需 需求 ORDER BY q.year DESC LIMIT 10;第三个坑是标签覆盖率。刚入库时topic字段多半是空的可以先用关键词规则批量打标再人工补漏先把覆盖率做到能用的水平不用一次到位。UPDATE question SET topic 质量属性 WHERE id IN (SELECT question_id FROM sq_fts WHERE sq_fts MATCH 质量 量属 属性); SELECT topic, COUNT(*) AS n FROM question GROUP BY topic ORDER BY n DESC;5. 从结构化题库到自测卷与错题回溯题库建好之后最有价值的用法不是「查」而是「出题」。案例科目的失分点集中在答题结构的完整性上光看答案记不住必须自己写一遍再对答案所以抽样组卷和错题回溯这两个功能值得单独做。组卷的抽样逻辑要带权重不能纯随机。按topic分组每个考点先各抽一道剩下的名额再按考点题量加权补足这样一套五题的自测卷能覆盖到尽量多的考点而不是全撞在质量属性上。import random, sqlite3 def make_paper(conn, n5): rows conn.execute(SELECT id, topic FROM question WHERE topic IS NOT NULL).fetchall() by_topic {} for qid, topic in rows: by_topic.setdefault(topic, []).append(qid) picked [random.choice(ids) for ids in by_topic.values() if ids] pool [qid for ids in by_topic.values() for qid in ids if qid not in picked] random.shuffle(pool) picked pool[:max(0, n - len(picked))] return picked[:n]n是每套卷的大题数默认五道按案例科目的常见题量设置。picked先去重抽每个考点的代表题pool是从剩余题目里洗牌补位避免同一道题在一套卷里出现两次。错题回溯的关键是记录粒度放在小问上而不是大题。答错「问题 2」不代表整道题都要重做只重做那个小问效率更高。CREATE TABLE attempt ( id INTEGER PRIMARY KEY, sub_question_id INTEGER NOT NULL REFERENCES sub_question(id), correct INTEGER NOT NULL, -- 1 对 0 错 reviewed_at TEXT NOT NULL ); -- 找出最近答错、且七天内没再复习过的小问 SELECT sq.id, sq.stem, MAX(a.reviewed_at) AS last_at FROM attempt a JOIN sub_question sq ON sq.id a.sub_question_id WHERE a.correct 0 GROUP BY sq.id HAVING julianday(now) - julianday(MAX(a.reviewed_at)) 7 ORDER BY last_at;reviewed_at存 ISO 格式的日期字符串julianday()把它转成儒略日做差避免手工算天数。七天这个间隔可以按自己的遗忘曲线调刚开始复习时改成三天临考前改成一天。最后补一个质量校验防止某次重新解析把数据搞坏。抽十道题检查每个小问是否都有非空答案答案长度是否在合理区间source分布是否异常SELECT q.year, q.seq, COUNT(sq.id) AS sub_n, SUM(CASE WHEN a.content IS NULL OR length(trim(a.content)) 5 THEN 1 ELSE 0 END) AS bad_ans FROM question q LEFT JOIN sub_question sq ON sq.question_id q.id LEFT JOIN answer a ON a.sub_question_id sq.id GROUP BY q.id HAVING bad_ans 0 ORDER BY bad_ans DESC;这条查询返回的每一行都是一个需要人工回看的题号把它挂到每次重新导入之后跑一遍比事后发现答案全串行了再返工省事得多。本文还有配套的精品资源点击获取 系统架构设计师案例真题docx解析与SQLite题库构建
简介这份系统架构设计师历年案例真题及答案解析汇总面向备考软考高级系统架构设计师的考生以及需要系统梳理架构知识的开发人员聚焦历年案例分析真题与参考解答的对照复习解决案例题无从下手、答题要点把握不准的问题。压缩包内为1个docx文档体积约3.24MB按年份编排覆盖软件架构设计、结构化软件系统建模、软件架构风格、信息系统安全、数据架构建模、系统设计与开发工具集成、系统可靠性、Web应用系统架构设计及架构评估等专题目录索引清晰便于按年份和考点定位。目前已有431人学习下载文档经多轮整理迭代。读者可借真题还原命题风格逐题对照解析校验答题思路理解分布式系统设计、企业应用集成等高频考点的分析路径并归纳可复用的答题框架兼顾知识补强与应试训练。1. 手里那份案例真题 docx卡住你的其实不是题目难度很多人电脑里都躺着一份《系统架构设计师历年案例真题及答案解析汇总.docx》几百页从早年一直排到最近一次考试。真打开刷的时候才发现案例题和选择题是两种生物一道题连着三四个小问题干、问题、参考答案、解析混排在同一个文档里中间还夹着评分标准表格和原题配图。想用 CtrlF 找「质量属性」「架构评估」「缓存一致性」命中的位置散落在十几套卷子里把同一考点的历年题拉通看一遍手工翻页能翻到怀疑人生。这份资料的价值不在「有」而在「能被结构化地检索和复用」。下面这套做法的目标很具体把一份纯阅读性的 docx拆成试卷、试题、小问、答案四层结构落到一个本地 SQLite 题库里能按考点和年份查、能生成自测卷、能回溯错题。适合正在准备系统架构设计师案例科目的人也适合任何需要把成堆 Word 资料变成可查询数据集的工程师。2. 用 python-docx 解析历年案例真题从段落样式到题目结构拿到 docx 的第一反应通常是doc.paragraphs一把梭然后发现所有内容和顺序全乱了。问题出在 docx 的本质它是一棵 WordprocessingML 树段落在w:p表格在w:tbl两者是同一个w:body下的兄弟节点按文档流顺序排列。而 python-docx 把段落和表格拆成了两条互不相干的序列谁也没法告诉你「这张表格原本夹在哪两道题中间」。2.1 先摸清 docx 的骨架样式名、大纲级别与编号Word 文档里最有价值的结构信息不是文字是样式。作者排版时只要用了「标题 1 / 标题 2 / 标题 3」就等于免费给你留了一套目录树。中文版 Word 的样式名和英文版不一样做映射时两种都要认。Word 样式名在这类文档里的常见含义建议映射到标题 1 / Heading 1年份卷、批次总分节paper.year、paper.session标题 2 / Heading 2试题一、试题二……question.seq标题 3 / Heading 3【问题 1】【问题 2】sub_question.seq正文 / Normal题干正文、参考答案正文question.stem、answer.content表格评分标准、方案对比、指标表question.meta样式名靠不住的情况也很常见有些版本是纯手工加粗当标题压根没用样式。这时退一步读大纲级别p._p.pPr.outlineLvl.val拿到的数字就是 Word 认定的层级如果连大纲级别都没有只能靠文本特征试题一、【问题1】、参考答案做规则识别这部分留到第 3 章。2.2 最小可跑脚本按文档流顺序遍历内容块from docx import Document from docx.table import Table from docx.text.paragraph import Paragraph from docx.oxml.ns import qn def iter_blocks(doc): 按文档流顺序产出段落和表格避免表格位置丢失 for child in doc.element.body.iterchildren(): if child.tag qn(w:p): yield Paragraph(child, doc) elif child.tag qn(w:tbl): yield Table(child, doc) def para_text(p): p.text 拿不到 w:br/ 软换行需要自己补 parts [] for run in p.runs: parts.append(run.text) if run._r.findall(qn(w:br)): parts.append(\n) return .join(parts) doc Document(系统架构设计师历年案例真题及答案解析汇总.docx) for block in iter_blocks(doc): if isinstance(block, Paragraph): style block.style.name if block.style is not None else text para_text(block).strip() if text: print(f[{style}] {text[:80]}) else: rows [[c.text.strip().replace(\n, ) for c in r.cells] for r in block.rows] print(f[表格] {len(rows)} 行 x {len(rows[0]) if rows else 0} 列)逻辑说明iter_blocks直接在w:body的子节点上迭代用qn(w:p)把命名空间前缀补全再比对标签保证段落和表格的相对顺序和 Word 里看到的一致。para_text解决的是另一个高频坑——python-docx 的Paragraph.text只拼接 run 文本遇到w:br/这种段内换行会被直接吞掉而这类资料里「问题」和「答案」经常就靠一个软换行分隔吞掉之后切分规则全部失效。参数与调整点doc.element.body只覆盖正文如果文档带页眉页脚或文本框需要另外遍历w:txbxContent案例题里的示意图说明经常藏在文本框。打印阶段把text[:80]截断只是为了看结构正式入库时不要截。2.3 抽取参数与归一化表格、全角半角、图片题真正入库前还有一轮清洗几件事必须做全角转半角并统一空白。中文资料里分数、括号、数字混用全角半角不做归一化第 3 章的正则会匹配出一堆漏网的。合并单元格去重。Word 的合并单元格在row.cells里会重复返回同一个单元格对象一张三行合并的表会产出三份相同文本去重后剩下的才是真实内容。图片题单独打标。题干里出现w:drawing的说明配图承载了部分信息纯文本抽取会丢东西这类题必须标记needs_review1不能直接当成完整题干。import re, unicodedata def norm(s): s unicodedata.normalize(NFKC, s) # 全角转半角 s re.sub(r[\u200b\u200c\ufeff], , s) # 去零宽字符 s re.sub(r[ \t\u3000], , s) # 折叠连续空白 return s.strip() def has_image(p): return bool(p._p.findall(.// qn(w:drawing)))NFKC会把全角字母数字、全角括号、罗马数字等一并规范化代价是连字和部分特殊符号会被改写如果文档里有需要原样保留的符号改成分步替换。has_image用 XPath 在整个段落 XML 里找w:drawing比只查 run 更稳因为图片可能挂在w:r之外的容器上。注意先跑一遍全量抽取并统计「无样式段落」和「含图片段落」的数量这两个数字直接决定后面要投入多少人工校对别等到切分规则写完才发现三成内容根本走不通。3. 题干与答案解析的自动配对正则切分与人工兜底结构抽出来了接下来是最容易翻车的一步把散落的段落归到「哪一年的哪道题、第几个小问、答案是什么」。这一步没有通用解因为不同汇编版本的排版差异极大只能先归纳版式再针对版式写状态机。3.1 案例题的典型文本结构长什么样同一份汇总文档里往往混着好几种来源的排版先按答案位置分类处理成本差得很远。常见版式题干位置答案位置处理方式答案跟随小问【问题1】后紧随其后以「参考答案」开头顺序扫遇答案标记就切答案集中题尾【问题1】到【问题3】连续排题末统一给「参考答案」先收小问再按序号回填答案独立成章各试题正文文末单独的答案章节用「年份 题号 小问号」做二次匹配表格化答案题干在正文答案在表格单元格里单元格文本按小问号再切一次第四种最容易被忽略评分标准表里每个单元格可能就是一个小问的答案纯段落扫描会全部漏掉所以第 2 章的iter_blocks必须保留表格。3.2 用正则切出年份、题号、小问与参考答案import re RE_YEAR re.compile(r(20\d{2})\s*年) RE_SESS re.compile(r(上半年|下半年)) RE_Q re.compile(r^\s*(?:试题|案例)\s*([一二三四五六七八九十]|\d)) RE_SUB re.compile(r[【\[]?\s*(?:问题|小问)\s*([1-9-])\s*[】\]]) RE_ANS re.compile(r[【\[]?\s*(?:参考答案|标准答案|答案要点)\s*[】\]]?\s*[:]?) CN_NUM {一: 1, 二: 2, 三: 3, 四: 4, 五: 5, 六: 6, 七: 7, 八: 8, 九: 9, 十: 10} def parse_lines(lines): 按行扫维护 年份/题号/小问号/是否处于答案区 四个状态 state {year: None, session: None, q: None, sub: None, in_ans: False} out [] for line in lines: if (m : RE_YEAR.search(line)): state.update(yearint(m.group(1)), qNone, subNone, in_ansFalse) if (s : RE_SESS.search(line)): state[session] s.group(1) continue if (m : RE_Q.match(line)): body m.group(1) state.update(qCN_NUM.get(body, body), subNone, in_ansFalse) continue if (m : RE_SUB.search(line)): state.update(subint(m.group(1)), in_ansFalse) continue if RE_ANS.search(line): state[in_ans] True continue out.append({**state, text: line}) return out逻辑说明这套状态机的核心假设是「文档自上而下推进、状态单调继承」——年份一旦出现就作用于后面所有内容题号变化会重置小问号和答案区标记。每条文本行都带上当前状态快照入库后面想按年份、题号、小问号任意维度聚合都不用再回原文。参数说明RE_Q允许阿拉伯数字和中文数字两种编号CN_NUM负责换算超过「十」的编号十一、十二需要补一条换算规则或者直接用试题十一这类关键词兜底。RE_ANS里显式加上了「标准答案」和「答案要点」因为不少汇编文档会混用这几个说法只认「参考答案」会漏。3.3 配对失败时看这三处第一处是自动编号。有些文档的题号是 Word 自动编号p.text里根本没有「试题一」这几个字正则自然匹配不到。判断方法很简单看这一段的 XML 里有没有w:numPr有就说明序号是渲染出来的得改用分值、关键词或者大纲级别来定位。第二处是软换行被吞。前面已经提过w:br/不处理的话「问题 1」和「参考答案」可能被粘成一行状态机只认第一个标记答案就会挂错小问。落库前对每个答案块做一次长度分布统计明显偏短的说明被截断了。第三处是题号重排。同一份文档里可能先放正文再放答案两部分的「试题一」指的是不同东西。稳妥做法是把带答案标记的段落单独收集用「年份 题号 小问号」三元组做键去回填键对不上的进人工待办表。提示不要追求 100% 自动配对。先跑自动再对无法配对的行做一次集中人工确认通常只占全量的一两成比反复调正则划算得多。4. 把案例真题与答案解析灌进 SQLite表结构、FTS5 检索与知识点标签结构清晰之后存储层选型其实没什么争议单机、单文件、全文检索、无服务依赖SQLite 正好。真正需要设计的是表结构因为它决定了你后面能不能顺畅地做「按考点查历年题」这种操作。4.1 四张主表加一张标签表表名作用关键字段paper一次考试的一套卷子year、sessionquestion试题一、试题二……paper_id、seq、score、stem、topicsub_question【问题1】【问题2】question_id、seq、stem、scoreanswer参考答案与解析sub_question_id、content、sourcetopic_tag知识点标签如质量属性、架构评估question_id、tag拆成四层的理由是查询粒度。案例题真正被检索的对象是小问答案要对得上具体小问而不是整道题而知识点标签挂在大题上更合理因为一道题往往同时考架构风格和评估方法。CREATE TABLE paper ( id INTEGER PRIMARY KEY, year INTEGER NOT NULL, session TEXT, UNIQUE(year, session) ); CREATE TABLE question ( id INTEGER PRIMARY KEY, paper_id INTEGER NOT NULL REFERENCES paper(id), seq INTEGER NOT NULL, score INTEGER, stem TEXT NOT NULL, topic TEXT, needs_review INTEGER NOT NULL DEFAULT 0 ); CREATE TABLE sub_question ( id INTEGER PRIMARY KEY, question_id INTEGER NOT NULL REFERENCES question(id), seq INTEGER NOT NULL, stem TEXT NOT NULL, score INTEGER ); CREATE TABLE answer ( id INTEGER PRIMARY KEY, sub_question_id INTEGER REFERENCES sub_question(id), question_id INTEGER NOT NULL REFERENCES question(id), content TEXT NOT NULL, source TEXT );needs_review就是第 2 章给图片题留的标记位source用来区分官方答案和第三方解析两者混在一起时结论可能互相矛盾分开存后续出题时可以只挑可信来源。4.2 中文全文检索FTS5 与二元组切词FTS5 默认的unicode61分词器按非字母数字切词中文连成一片会被当成一个超长 token「质量属性」搜不到「架构的质量属性要求」这种句子。新版 SQLite 自带trigram分词器可以缓解老版本更稳的做法是自己按二元组切好再写入。import re def bigrams(text): 中文按二元组切词英文数字原样保留 t re.sub(r\s, , text) return .join(t[i:i2] for i in range(len(t) - 1))CREATE VIRTUAL TABLE sq_fts USING fts5( stem, question_id UNINDEXED, tokenize unicode61 ); -- 写入时存切好的二元组串 INSERT INTO sq_fts(rowid, stem, question_id) SELECT id, :bigram_text, question_id FROM sub_question WHERE id :id; -- 查询时同样切分用引号包住短语避免被当成语法 SELECT q.year, q.seq AS qseq, sq.seq AS sseq, substr(sq.stem, 1, 60) AS preview FROM sq_fts f JOIN sub_question sq ON sq.id f.rowid JOIN question q ON q.id sq.question_id WHERE sq_fts MATCH :query_bigram ORDER BY q.year DESC, q.seq, sq.seq LIMIT 20;逻辑说明写入侧把原文切成一串二元组比如「质量属性」变成质量 量属 属性查询侧对关键词做同样切分MATCH 质量 量属 属性就能命中任何包含这几个字连续出现的小问。question_id UNINDEXED是为了建索引后还能快速回连大题不参与分词。参数说明:query_bigram必须整体用双引号包成短语因为 FTS5 的 MATCH 语法里-、*、都是操作符用户直接搜「架构评估-ATAM」会触发语法错误。长度小于 2 的关键词单个汉字二元组切不出来这类查询退回LIKE %字%扫描量级不大时完全可接受。4.3 查询参数与三个常见坑第一个坑是排序。FTS5 的bm25()按相关性排序但备考场景里「最近的年份优先」往往比相关性更有用所以先用ORDER BY q.year DESC再考虑相关性或者把两者组合同一批年份内用 bm25 排序。第二个坑是同义词。用户搜「质量属性」文档里可能写「非功能需求」「质量场景」纯字符串匹配永远搜不全。做法是在topic_tag表里维护标签和别名的映射检索时先查标签表拿到同义词组再去 FTS5 里做 OR 查询。SELECT q.year, q.seq, sq.stem FROM sq_fts f JOIN sub_question sq ON sq.id f.rowid JOIN question q ON q.id sq.question_id WHERE sq_fts MATCH 质量 量属 属性 OR 非功 功能 能需 需求 ORDER BY q.year DESC LIMIT 10;第三个坑是标签覆盖率。刚入库时topic字段多半是空的可以先用关键词规则批量打标再人工补漏先把覆盖率做到能用的水平不用一次到位。UPDATE question SET topic 质量属性 WHERE id IN (SELECT question_id FROM sq_fts WHERE sq_fts MATCH 质量 量属 属性); SELECT topic, COUNT(*) AS n FROM question GROUP BY topic ORDER BY n DESC;5. 从结构化题库到自测卷与错题回溯题库建好之后最有价值的用法不是「查」而是「出题」。案例科目的失分点集中在答题结构的完整性上光看答案记不住必须自己写一遍再对答案所以抽样组卷和错题回溯这两个功能值得单独做。组卷的抽样逻辑要带权重不能纯随机。按topic分组每个考点先各抽一道剩下的名额再按考点题量加权补足这样一套五题的自测卷能覆盖到尽量多的考点而不是全撞在质量属性上。import random, sqlite3 def make_paper(conn, n5): rows conn.execute(SELECT id, topic FROM question WHERE topic IS NOT NULL).fetchall() by_topic {} for qid, topic in rows: by_topic.setdefault(topic, []).append(qid) picked [random.choice(ids) for ids in by_topic.values() if ids] pool [qid for ids in by_topic.values() for qid in ids if qid not in picked] random.shuffle(pool) picked pool[:max(0, n - len(picked))] return picked[:n]n是每套卷的大题数默认五道按案例科目的常见题量设置。picked先去重抽每个考点的代表题pool是从剩余题目里洗牌补位避免同一道题在一套卷里出现两次。错题回溯的关键是记录粒度放在小问上而不是大题。答错「问题 2」不代表整道题都要重做只重做那个小问效率更高。CREATE TABLE attempt ( id INTEGER PRIMARY KEY, sub_question_id INTEGER NOT NULL REFERENCES sub_question(id), correct INTEGER NOT NULL, -- 1 对 0 错 reviewed_at TEXT NOT NULL ); -- 找出最近答错、且七天内没再复习过的小问 SELECT sq.id, sq.stem, MAX(a.reviewed_at) AS last_at FROM attempt a JOIN sub_question sq ON sq.id a.sub_question_id WHERE a.correct 0 GROUP BY sq.id HAVING julianday(now) - julianday(MAX(a.reviewed_at)) 7 ORDER BY last_at;reviewed_at存 ISO 格式的日期字符串julianday()把它转成儒略日做差避免手工算天数。七天这个间隔可以按自己的遗忘曲线调刚开始复习时改成三天临考前改成一天。最后补一个质量校验防止某次重新解析把数据搞坏。抽十道题检查每个小问是否都有非空答案答案长度是否在合理区间source分布是否异常SELECT q.year, q.seq, COUNT(sq.id) AS sub_n, SUM(CASE WHEN a.content IS NULL OR length(trim(a.content)) 5 THEN 1 ELSE 0 END) AS bad_ans FROM question q LEFT JOIN sub_question sq ON sq.question_id q.id LEFT JOIN answer a ON a.sub_question_id sq.id GROUP BY q.id HAVING bad_ans 0 ORDER BY bad_ans DESC;这条查询返回的每一行都是一个需要人工回看的题号把它挂到每次重新导入之后跑一遍比事后发现答案全串行了再返工省事得多。本文还有配套的精品资源点击获取