简介面向高校统计学课程学生与备考人员属于教材配套的习题练习资料。内容紧扣统计学基础理论与应用集中训练描述统计与推断统计的辨析、统计指标与标志的分类、连续变量与离散变量识别、定类/定序/定距/定比计量尺度判断并涉及总体与样本、统计量、大量观察法等易混淆概念帮助读者通过客观题快速巩固章节重点。资源为1个PDF文件约100KB轻量便于打印或电子端反复刷题。习题以单选题、多选题为主节选包含政治算术学派、统计指标构成、离散型变量特征等典型考点并配有参考答案可对照自查掌握程度。已有303人学习下载适合需要系统练习、检验学习成效的读者使用。1. 为什么一份统计学题集值得用 PDF 解析的方式去啃IT 从业者学习统计学时普遍卡在“看得懂公式、做不对题”的环节。西南财经大学出版社的《统计学练习题与答案》在财经类课程里使用率很高它的 PDF 版本既有章节练习也有详细答案但是做题体验很差翻页慢、公式显示变形、想对照答案要来回滚动。与其忍受这种低效不如直接用 Python 把这套 PDF 拆成结构化数据把题目、选项、答案抽取出来按章节重新组织甚至做成自测脚本。这篇文章要解决的就是这个具体问题从“打开 PDF 对着屏幕硬做”升级到“用脚本把题集变成本地可检索、可自测的知识库”。方案走的是最常用的 PDF 解析路线不需要 OCR不需要云服务纯本地跑通。适合手里有这类版式统一、文字可复制的 PDF 题集又想用工程化方式提高刷题效率的人。2. 锁定西南财大出版社题集的版式特征与解析方案2.1 先搞清楚 PDF 的三种文本形态再选工具拿到任何 PDF 教程类文件第一步永远是检查它是文本型还是扫描型。文本型 PDF 的页面里嵌入了可复制的字符流解析起来既快又准扫描型 PDF 只有图片必须先走 OCR。判断方法很简单用PyMuPDF读取某一页文本看一眼输出是否为空。针对西南财大出版社这套练习题集常见情况是排版时直接生成了 PDF文字层完整只有个别数学公式可能以图片形式嵌入。Python 生态里处理 PDF 的库有好几个但各有边界。PyPDF2和pypdf适合做页面的切割、合并与简单的文本抽取遇到复杂的表格排版容易错位pdfplumber对文字坐标和表格线有很好的还原能力适合解析带表格的页面PyMuPDF速度最快内置了布局分析能同时拿到文本块、图片和坐标。我的建议是统一用PyMuPDF作为主解析引擎遇到表格密集的页再切换到pdfplumber做补充。这两种库都是纯本地解析不需要联网。2.2 用 PyMuPDF 抽取文本块并保留坐标信息2.2.1 最小可跑的抽取脚本import fitz # PyMuPDF doc fitz.open(统计学练习题与答案_西南财大出版社.pdf) page doc[0] blocks page.get_text(blocks) for b in sorted(blocks, keylambda x: (x[1], x[0])): x0, y0, x1, y1, text, block_no, block_type b print(f[{block_no}] ({x0:.1f}, {y0:.1f}) {text[:60]})这段代码先打开 PDF取第一页的全部文本块再按纵坐标排序输出。get_text(blocks)返回的每个块包含七个字段左上角 x、左上角 y、右下角 x、右下角 y、文本内容、块编号、块类型0 是文本1 是图片。排序的目的是恢复阅读顺序因为 PDF 存储的块顺序不一定等于视觉顺序。2.2.2 抽取结果里的三个典型特征西南财大版这套题集的页面版式比较规整跑完上面的脚本通常会看到三种模式题目文本的 y 坐标呈规律性波动每隔几行会出现一个以数字加点开头的段落比如“1.”“2.”选项行以“A.”“B.”“C.”“D.”开头的缩进段落且 x 坐标基本相同答案区有时会集中在页尾用分界线与题目隔开。观察坐标分布是后续写切分逻辑的前提——你要依据 y 坐标切出题号、选项和答案这三个区域而不是靠正则硬匹配全文。2.2.3 为什么不能只靠正则匹配很多初学者拿到 PDF 后直接page.get_text(text)再上一堆正则这种做法在这套题集上很容易翻车。原因有二。第一题号“1.”“2.”和选项“A.”“B.”在文本流中可能被拆到不同的块里正则想匹配“1.某题干”却匹配到了“1.”和“某题干”两段残片。第二同一道题在多选题里选项行会换行答案可能在页面底部隔着一条横线正则很难感知这种空间关系。所以正确的路线是“坐标分块 内容匹配”而不是纯文本匹配。提示如果get_text(blocks)返回的内容里出现大量乱码或空白先检查页面的字体编码不要直接上 OCR很多中文 PDF 只是字体映射问题换page.get_text(rawdict)往往能拿到原始字符映射。3. 把题集拆成“题干、选项、答案”三张表的实操脚本3.1 设计结构化存储的字段与层级解析出来不是终点存成什么形式直接决定后面怎么用。我的做法是建三张表questions存题干与题号options存选项内容与所属题号answers存答案与解析。每张表都带page_no和block_y两个原始坐标字段这是日后回溯时的重要索引。这样做的目的是允许题目被打乱重排、按章节筛选、按题型刷题而不是只做 PDF 的忠实复刻。3.2 坐标感知的切分代码3.2.1 定义块分类函数import re import fitz def classify_block(text): 根据文本特征识别块类型题干、选项、答案、其他 line text.strip().replace(\n, ) if re.match(r^\d[\.、], line): return question if re.match(r^[A-Da-d][\.、)], line): return option if re.match(r^答案[:]|^参考答案, line): return answer return other doc fitz.open(统计学练习题与答案_西南财大出版社.pdf) for page_no in range(len(doc)): page doc[page_no] blocks page.get_text(blocks) for b in sorted(blocks, keylambda x: (x[1], x[0])): text b[4] block_type classify_block(text) print(fp{page_no1} {block_type}: {text[:50]})classify_block是核心的判定入口它把每一块文本归入四类之一。题干的特征是行首为数字加点或顿号选项的特征是行首为字母加点或顿号答案行以“答案”二字开头。分类器的准确度直接影响后续切分的完整性所以在运行之前先观察真实 PDF 里题号到底用的是“1.”还是“1、”选项是“A.”还是“A、”再调整正则里的字符集。3.2.2 按 y 坐标切分题目边界items [] current_q None for page_no in range(len(doc)): page doc[page_no] blocks page.get_text(blocks) for b in sorted(blocks, keylambda x: (x[1], x[0])): x0, y0, x1, y1, text, block_no, block_type b btype classify_block(text) if btype question: current_q { qid: len(items) 1, text: text.strip(), page: page_no 1, y0: y0, options: [], answer: } items.append(current_q) elif btype option and current_q: current_q[options].append(text.strip()) elif btype answer and current_q: current_q[answer] text.strip()这段逻辑按“题目块开启新条目、选项块挂载到当前题目、答案块补充到当前题目”的方式工作。坐标排序保证了题号、选项、答案不会跨页错乱如果一个题目的答案在下一页这个脚本会在下一页开一个新题目这是正常的——因为真实 PDF 里下页的内容确实不属于当前题后续处理时再按题号合并。3.3 输出到 Markdown 和 JSON 两种格式import json with open(questions.json, w, encodingutf-8) as f: json.dump(items, f, ensure_asciiFalse, indent2) md_lines [] for idx, q in enumerate(items, 1): md_lines.append(f### 题目 {idx}) md_lines.append(q[text]) for opt in q[options]: md_lines.append(f- {opt}) md_lines.append(f\n**答案**{q[answer]}\n) with open(output.md, w, encodingutf-8) as f: f.write(\n.join(md_lines))JSON 适合作为中间态接入 Web 自测系统或 Python 脚本Markdown 适合直接用 Typora 或 VS Code 预览方便人肉阅读和二次编辑。提示json.dump里的ensure_asciiFalse必须写否则中文会被转成\uXXXX形式阅读和调试都会非常痛苦。输出文件统一用 UTF-8 编码写入Windows 下注意不要用默认的 GBK。3.4 卡在“答案在页尾、题目跨页”时的兜底处理这套题集偶尔会有排版特殊情况一道题的答案直接印在上一页页尾下一道题的题干紧跟其后。这时靠“当前题目”的上下文状态拼接会串位。我的兜底方案是加一个“答案可能属于上一题”的判断——如果当前块类型是answer且当前题目已被完整填充就把答案追加到上一个题目的answer字段末尾。elif btype answer: if current_q and current_q[answer] : current_q[answer] text.strip() elif items: items[-1][answer] text.strip()这样不会丢答案也不至于把答案串到完全不相关的题目上。对于纯文字题集这种兜底足够应付九成以上的版式异常。4. 针对西南财大版统计学习题集的考点聚类与自测重构4.1 按章节和题型自动归类把题目结构化之后下一步是让知识图谱浮出水面。西南财大出版社的统计学教材章节结构比较稳定通常覆盖描述性统计、概率论基础、抽样分布、参数估计、假设检验、方差分析、回归分析、时间序列和指数分析。我的做法是按题干里出现的关键词自动归类而不是手动给每道题打标签。chapter_keywords { 描述统计: [均值, 中位数, 众数, 标准差, 变异系数], 概率论: [概率, 随机变量, 期望, 方差, 贝叶斯], 抽样分布: [抽样, 中心极限, 标准误], 参数估计: [区间估计, 置信区间, 点估计, 无偏性], 假设检验: [原假设, 备择假设, 显著性水平, P值, t检验, 卡方], 方差分析: [方差分析, 因素, 组间, 组内], 回归分析: [回归, 相关系数, 判定系数, 最小二乘] } def assign_chapter(text): for chapter, words in chapter_keywords.items(): if any(w in text for w in words): return chapter return 未分类这个函数把题干文本与章节关键词做子串匹配返回命中的章节名。关键词的粒度决定了归类的准确率“均值”“概率”这类词在其他章节也可能出现所以后续要人工抽检一些边界题目再补关键词或改成加权评分策略。4.2 构造错题重刷的抽样脚本自测的核心不是把题目再看一遍而是让做错的题有机会再次出现。我把错题 ID 存一份mistakes.json每次刷题时按“错误次数加权随机抽样”从错题集里抽题。import random import json with open(mistakes.json, r, encodingutf-8) as f: mistakes json.load(f) def sample_questions(pool, k10): weights [item[wrong_count] 1 for item in pool] return random.choices(pool, weightsweights, kk) selected sample_questions(mistakes, k10) for i, q in enumerate(selected, 1): print(f{i}. {q[text]}) for opt in q[options]: print(f {opt}) input(按回车显示答案) print(f - {q[answer]}\n)random.choices用权重控制抽样概率wrong_count 1保证没做错的题也有最小权重不会因为错误次数为 0 就永远消失。4.3 用统计知识点反向校验抽题逻辑到这里这套题集已经不只是用来刷题的 PDF 了它还承担了一个额外功能作为概率统计知识体系的真实语料。把题目按上文的章节归类后统计每一步的题目数量就能快速看出这套题集的考查侧重点。如果发现“假设检验”类的题目比“描述统计”多出一倍甚至更多那么刷题策略就要把重心往假设检验倾斜。相反如果时间序列的题目很少则说明这不是重点章时间分配可以保守些。提示这种“按题目数量分配刷题时间”的策略不适合作为唯一备考依据但如果和教材的章节分值权重对照使用能很快锁定该重点看哪一章。5. 用文本对比快速校验解析结果是否漏题5.1 对比 PDF 页面文本与解析结果的总行数解析过程难免丢题漏题最恶性的 bug 是静默丢失——既没报错又没留下信息。要兜住这一类问题最简单的办法是对比源 PDF 的文本总量和解析结果的行数。理论上结构化后的题干加选项数量应略小于原始文本行数因为原始文本里有页码、页眉和答案分隔线。raw_text_all for page in doc: raw_text_all page.get_text(text) parsed_question_count len(items) probable_question_count len(re.findall(r^\d[\.、], raw_text_all, re.MULTILINE)) print(f疑似题目数正则粗扫: {probable_question_count}) print(f解析结果题目数: {parsed_question_count})如果两个数字差距超过 10%基本可以判定解析逻辑漏掉了一批题目。这时候回到原始 PDF 去看未命中的页面通常问题出在目录页、附录页或表格型页面这三类位置。5.2 抽查选择题的答案是否闭合一套练习题的答案部分必须是完整的如果某些题目的answer字段为空要么是 PDF 里答案区域排版特殊要么是答案页在最后一个章节之后单独成章。后者更常见。西南财大出版社的教材配套习题集常常把答案单独编排在文件后三分之一的位置。处理方法是提取最后一个大的文本块区域把答案行单独做一轮匹配。empty_answer [q for q in items if q[answer] ] if empty_answer: print(f警告有 {len(empty_answer)} 道题没有答案) for q in empty_answer[:5]: print(f - 第{q[page]}页: {q[text][:40]})5.3 交叉验证随机抽取五道题人工对比自动化校验只能发现结构化层面的缺失但无法发现“答案匹配错位”这种语义错误。要验证这一点最可靠的方法还是人工抽检。随机取五道题回到原始 PDF 找到对应页码逐一比对解析结果里的答案与原书答案是否一致。sample_qs random.sample(items, 5) with open(sample_for_manual_check.json, w, encodingutf-8) as f: json.dump(sample_qs, f, ensure_asciiFalse, indent2)把这五道题的qid、page、answer字段打印出来按page回到 PDF 对照通常五分钟内就能验证完。如果五题全部吻合这套解析流程就可以放心用于整本 PDF 的其他章节。如果有一题不对不要只改这一题而要回溯该题所在页面的坐标排序逻辑因为答案错位是系统性的。本文还有配套的精品资源点击获取 用Python解析PDF练习题集：从统计学习题到结构化自测题库
简介面向高校统计学课程学生与备考人员属于教材配套的习题练习资料。内容紧扣统计学基础理论与应用集中训练描述统计与推断统计的辨析、统计指标与标志的分类、连续变量与离散变量识别、定类/定序/定距/定比计量尺度判断并涉及总体与样本、统计量、大量观察法等易混淆概念帮助读者通过客观题快速巩固章节重点。资源为1个PDF文件约100KB轻量便于打印或电子端反复刷题。习题以单选题、多选题为主节选包含政治算术学派、统计指标构成、离散型变量特征等典型考点并配有参考答案可对照自查掌握程度。已有303人学习下载适合需要系统练习、检验学习成效的读者使用。1. 为什么一份统计学题集值得用 PDF 解析的方式去啃IT 从业者学习统计学时普遍卡在“看得懂公式、做不对题”的环节。西南财经大学出版社的《统计学练习题与答案》在财经类课程里使用率很高它的 PDF 版本既有章节练习也有详细答案但是做题体验很差翻页慢、公式显示变形、想对照答案要来回滚动。与其忍受这种低效不如直接用 Python 把这套 PDF 拆成结构化数据把题目、选项、答案抽取出来按章节重新组织甚至做成自测脚本。这篇文章要解决的就是这个具体问题从“打开 PDF 对着屏幕硬做”升级到“用脚本把题集变成本地可检索、可自测的知识库”。方案走的是最常用的 PDF 解析路线不需要 OCR不需要云服务纯本地跑通。适合手里有这类版式统一、文字可复制的 PDF 题集又想用工程化方式提高刷题效率的人。2. 锁定西南财大出版社题集的版式特征与解析方案2.1 先搞清楚 PDF 的三种文本形态再选工具拿到任何 PDF 教程类文件第一步永远是检查它是文本型还是扫描型。文本型 PDF 的页面里嵌入了可复制的字符流解析起来既快又准扫描型 PDF 只有图片必须先走 OCR。判断方法很简单用PyMuPDF读取某一页文本看一眼输出是否为空。针对西南财大出版社这套练习题集常见情况是排版时直接生成了 PDF文字层完整只有个别数学公式可能以图片形式嵌入。Python 生态里处理 PDF 的库有好几个但各有边界。PyPDF2和pypdf适合做页面的切割、合并与简单的文本抽取遇到复杂的表格排版容易错位pdfplumber对文字坐标和表格线有很好的还原能力适合解析带表格的页面PyMuPDF速度最快内置了布局分析能同时拿到文本块、图片和坐标。我的建议是统一用PyMuPDF作为主解析引擎遇到表格密集的页再切换到pdfplumber做补充。这两种库都是纯本地解析不需要联网。2.2 用 PyMuPDF 抽取文本块并保留坐标信息2.2.1 最小可跑的抽取脚本import fitz # PyMuPDF doc fitz.open(统计学练习题与答案_西南财大出版社.pdf) page doc[0] blocks page.get_text(blocks) for b in sorted(blocks, keylambda x: (x[1], x[0])): x0, y0, x1, y1, text, block_no, block_type b print(f[{block_no}] ({x0:.1f}, {y0:.1f}) {text[:60]})这段代码先打开 PDF取第一页的全部文本块再按纵坐标排序输出。get_text(blocks)返回的每个块包含七个字段左上角 x、左上角 y、右下角 x、右下角 y、文本内容、块编号、块类型0 是文本1 是图片。排序的目的是恢复阅读顺序因为 PDF 存储的块顺序不一定等于视觉顺序。2.2.2 抽取结果里的三个典型特征西南财大版这套题集的页面版式比较规整跑完上面的脚本通常会看到三种模式题目文本的 y 坐标呈规律性波动每隔几行会出现一个以数字加点开头的段落比如“1.”“2.”选项行以“A.”“B.”“C.”“D.”开头的缩进段落且 x 坐标基本相同答案区有时会集中在页尾用分界线与题目隔开。观察坐标分布是后续写切分逻辑的前提——你要依据 y 坐标切出题号、选项和答案这三个区域而不是靠正则硬匹配全文。2.2.3 为什么不能只靠正则匹配很多初学者拿到 PDF 后直接page.get_text(text)再上一堆正则这种做法在这套题集上很容易翻车。原因有二。第一题号“1.”“2.”和选项“A.”“B.”在文本流中可能被拆到不同的块里正则想匹配“1.某题干”却匹配到了“1.”和“某题干”两段残片。第二同一道题在多选题里选项行会换行答案可能在页面底部隔着一条横线正则很难感知这种空间关系。所以正确的路线是“坐标分块 内容匹配”而不是纯文本匹配。提示如果get_text(blocks)返回的内容里出现大量乱码或空白先检查页面的字体编码不要直接上 OCR很多中文 PDF 只是字体映射问题换page.get_text(rawdict)往往能拿到原始字符映射。3. 把题集拆成“题干、选项、答案”三张表的实操脚本3.1 设计结构化存储的字段与层级解析出来不是终点存成什么形式直接决定后面怎么用。我的做法是建三张表questions存题干与题号options存选项内容与所属题号answers存答案与解析。每张表都带page_no和block_y两个原始坐标字段这是日后回溯时的重要索引。这样做的目的是允许题目被打乱重排、按章节筛选、按题型刷题而不是只做 PDF 的忠实复刻。3.2 坐标感知的切分代码3.2.1 定义块分类函数import re import fitz def classify_block(text): 根据文本特征识别块类型题干、选项、答案、其他 line text.strip().replace(\n, ) if re.match(r^\d[\.、], line): return question if re.match(r^[A-Da-d][\.、)], line): return option if re.match(r^答案[:]|^参考答案, line): return answer return other doc fitz.open(统计学练习题与答案_西南财大出版社.pdf) for page_no in range(len(doc)): page doc[page_no] blocks page.get_text(blocks) for b in sorted(blocks, keylambda x: (x[1], x[0])): text b[4] block_type classify_block(text) print(fp{page_no1} {block_type}: {text[:50]})classify_block是核心的判定入口它把每一块文本归入四类之一。题干的特征是行首为数字加点或顿号选项的特征是行首为字母加点或顿号答案行以“答案”二字开头。分类器的准确度直接影响后续切分的完整性所以在运行之前先观察真实 PDF 里题号到底用的是“1.”还是“1、”选项是“A.”还是“A、”再调整正则里的字符集。3.2.2 按 y 坐标切分题目边界items [] current_q None for page_no in range(len(doc)): page doc[page_no] blocks page.get_text(blocks) for b in sorted(blocks, keylambda x: (x[1], x[0])): x0, y0, x1, y1, text, block_no, block_type b btype classify_block(text) if btype question: current_q { qid: len(items) 1, text: text.strip(), page: page_no 1, y0: y0, options: [], answer: } items.append(current_q) elif btype option and current_q: current_q[options].append(text.strip()) elif btype answer and current_q: current_q[answer] text.strip()这段逻辑按“题目块开启新条目、选项块挂载到当前题目、答案块补充到当前题目”的方式工作。坐标排序保证了题号、选项、答案不会跨页错乱如果一个题目的答案在下一页这个脚本会在下一页开一个新题目这是正常的——因为真实 PDF 里下页的内容确实不属于当前题后续处理时再按题号合并。3.3 输出到 Markdown 和 JSON 两种格式import json with open(questions.json, w, encodingutf-8) as f: json.dump(items, f, ensure_asciiFalse, indent2) md_lines [] for idx, q in enumerate(items, 1): md_lines.append(f### 题目 {idx}) md_lines.append(q[text]) for opt in q[options]: md_lines.append(f- {opt}) md_lines.append(f\n**答案**{q[answer]}\n) with open(output.md, w, encodingutf-8) as f: f.write(\n.join(md_lines))JSON 适合作为中间态接入 Web 自测系统或 Python 脚本Markdown 适合直接用 Typora 或 VS Code 预览方便人肉阅读和二次编辑。提示json.dump里的ensure_asciiFalse必须写否则中文会被转成\uXXXX形式阅读和调试都会非常痛苦。输出文件统一用 UTF-8 编码写入Windows 下注意不要用默认的 GBK。3.4 卡在“答案在页尾、题目跨页”时的兜底处理这套题集偶尔会有排版特殊情况一道题的答案直接印在上一页页尾下一道题的题干紧跟其后。这时靠“当前题目”的上下文状态拼接会串位。我的兜底方案是加一个“答案可能属于上一题”的判断——如果当前块类型是answer且当前题目已被完整填充就把答案追加到上一个题目的answer字段末尾。elif btype answer: if current_q and current_q[answer] : current_q[answer] text.strip() elif items: items[-1][answer] text.strip()这样不会丢答案也不至于把答案串到完全不相关的题目上。对于纯文字题集这种兜底足够应付九成以上的版式异常。4. 针对西南财大版统计学习题集的考点聚类与自测重构4.1 按章节和题型自动归类把题目结构化之后下一步是让知识图谱浮出水面。西南财大出版社的统计学教材章节结构比较稳定通常覆盖描述性统计、概率论基础、抽样分布、参数估计、假设检验、方差分析、回归分析、时间序列和指数分析。我的做法是按题干里出现的关键词自动归类而不是手动给每道题打标签。chapter_keywords { 描述统计: [均值, 中位数, 众数, 标准差, 变异系数], 概率论: [概率, 随机变量, 期望, 方差, 贝叶斯], 抽样分布: [抽样, 中心极限, 标准误], 参数估计: [区间估计, 置信区间, 点估计, 无偏性], 假设检验: [原假设, 备择假设, 显著性水平, P值, t检验, 卡方], 方差分析: [方差分析, 因素, 组间, 组内], 回归分析: [回归, 相关系数, 判定系数, 最小二乘] } def assign_chapter(text): for chapter, words in chapter_keywords.items(): if any(w in text for w in words): return chapter return 未分类这个函数把题干文本与章节关键词做子串匹配返回命中的章节名。关键词的粒度决定了归类的准确率“均值”“概率”这类词在其他章节也可能出现所以后续要人工抽检一些边界题目再补关键词或改成加权评分策略。4.2 构造错题重刷的抽样脚本自测的核心不是把题目再看一遍而是让做错的题有机会再次出现。我把错题 ID 存一份mistakes.json每次刷题时按“错误次数加权随机抽样”从错题集里抽题。import random import json with open(mistakes.json, r, encodingutf-8) as f: mistakes json.load(f) def sample_questions(pool, k10): weights [item[wrong_count] 1 for item in pool] return random.choices(pool, weightsweights, kk) selected sample_questions(mistakes, k10) for i, q in enumerate(selected, 1): print(f{i}. {q[text]}) for opt in q[options]: print(f {opt}) input(按回车显示答案) print(f - {q[answer]}\n)random.choices用权重控制抽样概率wrong_count 1保证没做错的题也有最小权重不会因为错误次数为 0 就永远消失。4.3 用统计知识点反向校验抽题逻辑到这里这套题集已经不只是用来刷题的 PDF 了它还承担了一个额外功能作为概率统计知识体系的真实语料。把题目按上文的章节归类后统计每一步的题目数量就能快速看出这套题集的考查侧重点。如果发现“假设检验”类的题目比“描述统计”多出一倍甚至更多那么刷题策略就要把重心往假设检验倾斜。相反如果时间序列的题目很少则说明这不是重点章时间分配可以保守些。提示这种“按题目数量分配刷题时间”的策略不适合作为唯一备考依据但如果和教材的章节分值权重对照使用能很快锁定该重点看哪一章。5. 用文本对比快速校验解析结果是否漏题5.1 对比 PDF 页面文本与解析结果的总行数解析过程难免丢题漏题最恶性的 bug 是静默丢失——既没报错又没留下信息。要兜住这一类问题最简单的办法是对比源 PDF 的文本总量和解析结果的行数。理论上结构化后的题干加选项数量应略小于原始文本行数因为原始文本里有页码、页眉和答案分隔线。raw_text_all for page in doc: raw_text_all page.get_text(text) parsed_question_count len(items) probable_question_count len(re.findall(r^\d[\.、], raw_text_all, re.MULTILINE)) print(f疑似题目数正则粗扫: {probable_question_count}) print(f解析结果题目数: {parsed_question_count})如果两个数字差距超过 10%基本可以判定解析逻辑漏掉了一批题目。这时候回到原始 PDF 去看未命中的页面通常问题出在目录页、附录页或表格型页面这三类位置。5.2 抽查选择题的答案是否闭合一套练习题的答案部分必须是完整的如果某些题目的answer字段为空要么是 PDF 里答案区域排版特殊要么是答案页在最后一个章节之后单独成章。后者更常见。西南财大出版社的教材配套习题集常常把答案单独编排在文件后三分之一的位置。处理方法是提取最后一个大的文本块区域把答案行单独做一轮匹配。empty_answer [q for q in items if q[answer] ] if empty_answer: print(f警告有 {len(empty_answer)} 道题没有答案) for q in empty_answer[:5]: print(f - 第{q[page]}页: {q[text][:40]})5.3 交叉验证随机抽取五道题人工对比自动化校验只能发现结构化层面的缺失但无法发现“答案匹配错位”这种语义错误。要验证这一点最可靠的方法还是人工抽检。随机取五道题回到原始 PDF 找到对应页码逐一比对解析结果里的答案与原书答案是否一致。sample_qs random.sample(items, 5) with open(sample_for_manual_check.json, w, encodingutf-8) as f: json.dump(sample_qs, f, ensure_asciiFalse, indent2)把这五道题的qid、page、answer字段打印出来按page回到 PDF 对照通常五分钟内就能验证完。如果五题全部吻合这套解析流程就可以放心用于整本 PDF 的其他章节。如果有一题不对不要只改这一题而要回溯该题所在页面的坐标排序逻辑因为答案错位是系统性的。本文还有配套的精品资源点击获取