简介这份PDF题库面向备战综合能力测试的求职者、公务员及银行国企考生以及希望系统训练逻辑思维的职场人。全包仅1个PDF文件约1.43MB轻量便携手机或电脑均可随时翻阅。题库精选320道逻辑推理题并附详细解析覆盖翻译推理、加强论证、因果推理、归纳演绎与类比推理等题型每道题都拆解出论点、论据与推理链条帮助读者从表象中抽象出实质。内容还穿插《宪法》第40条通信自由与秘密保护、《能源效率标识管理办法》能效标准等法律与政策知识让逻辑训练更具现实意义。另有在线考试系统与「笔试通」移动端刷题软件配套可模拟自测、碎片化练习。已有892人学习适合需要建立逻辑思维框架、在复杂情境中快速识别与解决问题的考生按模块刷题提分。1. 逻辑推理题库不是PDF 加个搜索框320 道题的工程化起点我见过最常见的处理方式把《综合能力测试提分题库之逻辑推理题精选320道详解.pdf》丢进网盘需要时用阅读器 CtrlF 搜削弱前提排列。搜是能搜到但题目和选项被分页切断详解和下一题题干黏在同一段答案藏在页脚或括号里你想按题型统计正确率、想拿错题本做二次训练全都没法下手。逻辑推理题的特点是题干长、选项短、详解比题干还长这让只做全文检索的方案几乎失效。把这份 320 题的详解 PDF 变成能跑的东西真正要解决的是三件事按题号把连续的文本流切成一道一道的题把每道题拆成题干、选项、答案、详解四个字段并落库再用一套可重复运行的质检规则把切错、答案错位、选项残缺的题捞出来。这三件事做完320 道题才算从文档变成数据。这篇面向的是想自建刷题系统、做内部训练工具或题库小程序的工程师也包括想把错题本做成数据、而不是做成截图的人。默认你会写 Python会用 SQL不需要懂任何逻辑学教材。2. 逻辑推理题型分类与题库数据模型怎么设计才撑得住 320 道详解数据模型设计错了后面所有统计都是白干。这一步必须先把题型分清楚再决定字段。2.1 六类逻辑推理题的可检索特征综合能力测试里的逻辑推理常见可归为六类。分类不是为了学术是为了让你能在 SQL 里按题型筛、按题型统计正确率、按题型出专项练习。题型典型问法可检索关键词需要额外存的字段形式逻辑·复言命题由此可以推出如果…那么、只有…才、除非命题符号化结果选填形式逻辑·直言命题以下哪项为真所有、有的、并非无论证·削弱加强最能削弱/加强上述结论削弱、加强、质疑、支持论据、结论切分位置论证·前提假设上述论证基于哪项假设假设、前提、依赖无分析推理·元素对应可以确定的是排列、对应、顺序、座位条件条数智力推理·朴素逻辑谁说的是真话真假话、说谎、每人说一句条件条数削弱加强类是最容易出问题的一类答案对错高度依赖对结论的界定所以在库里最好把论据和结论标出来哪怕只标一个字符偏移量。我一般会额外加一个focus字段存这道题问的是削弱还是加强方便后面做专项组卷。2.2 题干、选项、答案、详解四件套的表结构不要把所有东西塞进一张宽表。选项是天然的一对多关系解析原文可能很长跟题目放在一行会让每次查询都把大字段读出来。-- 题目主表只放结构化的、需要频繁过滤的字段 CREATE TABLE question ( id INTEGER PRIMARY KEY, qtype TEXT NOT NULL, -- formal_proof / weaken_strengthen / assumption ... stem TEXT NOT NULL, -- 题干原文保留内部换行 answer TEXT NOT NULL, -- 正确选项字母多选存 A,C explanation TEXT, -- 详解原文 source_page INTEGER, -- 来源页码出问题能回跳 PDF content_hash TEXT UNIQUE, -- 题干归一化哈希用于去重 difficulty REAL DEFAULT 0.5, -- 难度估计初始 0.5 created_at TEXT DEFAULT (datetime(now)) ); -- 选项表一道题 4~5 行 CREATE TABLE choice ( question_id INTEGER NOT NULL REFERENCES question(id) ON DELETE CASCADE, label TEXT NOT NULL, -- A/B/C/D content TEXT NOT NULL, PRIMARY KEY (question_id, label) ); -- 作答流水每次提交记一行不要覆盖 CREATE TABLE attempt ( id INTEGER PRIMARY KEY, question_id INTEGER NOT NULL REFERENCES question(id), is_correct INTEGER NOT NULL, -- 1 正确 0 错误 answered_at TEXT DEFAULT (datetime(now)) ); CREATE INDEX idx_attempt_q ON attempt(question_id);三个设计点值得说明。content_hash加了 UNIQUE重复题在插入阶段就会被拦下不用等质检。attempt是流水表而不是在 question 上打标记因为正确率、复习间隔、难度更新都依赖历史一旦覆盖就再也算不出连续答对两次。source_page保留页码PDF 换版本重新抽取时你能快速定位是哪几页的版式变了。提示difficulty初始值给 0.5 而不是 0是为了让后续 Elo 更新有一个中性起点也避免AVG类查询里出现 NULL。2.3 用 SQLite 建库并写入解析结果SQLite 足够撑起 320 道题加上几万条作答流水单文件、零运维导出也方便。写入时用事务包起来比逐条 commit 快一个数量级。import sqlite3, hashlib, re NORM re.compile(r[\s。、()【】\[\]]) def content_hash(stem, opts): 题干 选项一起归一化后哈希避免两道题只有选项顺序不同被判成重复 payload NORM.sub(, stem) | |.join( f{k}{NORM.sub(, v)} for k, v in sorted(opts.items())) return hashlib.sha256(payload.encode(utf-8)).hexdigest()[:16] def save(conn, q): h content_hash(q[stem], q[opts]) cur conn.execute( INSERT OR IGNORE INTO question (qtype, stem, answer, explanation, source_page, content_hash) VALUES (?,?,?,?,?,?), (q[qtype], q[stem], q[answer], q[expl], q[page], h)) if cur.rowcount 0: # 哈希冲突说明是重复题跳过 return None qid cur.lastrowid conn.executemany( INSERT INTO choice (question_id, label, content) VALUES (?,?,?), [(qid, k, v) for k, v in q[opts].items()]) return qidINSERT OR IGNORE配合 UNIQUE 约束让去重这件事从业务代码下沉到数据库。参数上注意两点qtype建议用固定的英文枚举值中文标签放在前端映射表里否则后面写查询条件时你要反复处理全角半角explanation存原文而不是清洗后的版本清洗逻辑改了可以重算原文丢了就没了。批量写的时候用with conn:包住整个循环它会自动开启事务并在异常时回滚比手动BEGIN/COMMIT少踩坑。3. 把 320 道详解 PDF 解析成结构化题库的完整流程解析是整条链路里最脏的一段。版式一旦有两页不同正则就会崩。所以流程要拆成探路—切分—抽取—归属四步每一步都能单独验证。3.1 先判断有没有文本层再决定 pdfplumber 还是 OCR不要上来就写抽取代码。先确认这份 PDF 是电子版还是扫描件能选中文字就是文本层不能选中就得走 OCR两条路的代码完全不一样。# 打印第 1 页的字符数与前 200 个字符判断是否有文本层 python - PY import pdfplumber with pdfplumber.open(逻辑推理题精选320道详解.pdf) as pdf: txt pdf.pages[0].extract_text() or print(pages:, len(pdf.pages), chars:, len(txt)) print(txt[:200]) PY如果chars接近 0 而页面明显有字就是扫描件如果chars正常但中文乱码多半是字体没有正确 ToUnicode 映射需要换解析库或先做一次字体修复。这两种情况下 OCR 的识别质量会直接决定后面所有环节的上限所以要先抽样看 3 页的识别结果再决定是否值得继续。3.2 按题号锚点切分题干块题号是最稳的锚点。常见形态有1.1、1第1题统一个正则把它们归一。import re Q_HEAD re.compile(r^\s*(?:第\s*)?(\d{1,3})\s*(?:题)?\s*[.、:]\s*(?\S)) OPT re.compile(r^\s*([A-D])\s*[.、:]\s*(.)$) ANS re.compile(r(?:参考)?答案\s*[:]?\s*([A-D](?:\s*[,、]\s*[A-D])*)) EXPL re.compile(r^\s*(?:解析|详解|答案解析)\s*[:]?\s*(.*)$)Q_HEAD里那个(?\S)是必须的没有它形如3.14的数值会被当成题号一道题就被劈成两半。另一个防误判的写法是只接受序号等于上一题序号 1的行跳号的一律当正文。def split_blocks(lines): lines 是 (页码, 行文本) 的迭代器输出一道道题的字典 q, state None, stem for pno, line in lines: head Q_HEAD.match(line) # 只接受连续递增的题号防止把正文里的编号误判成新题 if head and (q is None or int(head.group(1)) q[no] 1): if q: yield q q {no: int(head.group(1)), page: pno, stem: [Q_HEAD.sub(, line).strip()], opts: {}, answer: None, expl: []} state stem continue if q is None: continue if state in (stem, opt): m OPT.match(line) if m: q[opts][m.group(1)] m.group(2).strip() state opt continue m ANS.search(line) if m and q[answer] is None: q[answer] re.sub(r[\s、], ,, m.group(1)) state answer rest line[m.end():].strip( :) # 答案行常跟解析开头 if rest: q[expl].append(rest) continue if state in (answer, expl): me EXPL.match(line) q[expl].append(me.group(1).strip() if me else line.strip()) state expl else: q[stem].append(line.strip()) if q: yield q这段状态机的关键在state。stem和opt两个状态下才允许识别选项行因为详解段落里出现选项 A的概率不低。进入answer之后所有内容都归详解不再往回认选项。状态的单调推进比每行都跑一遍所有正则再打分要稳得多。3.3 extract_text 的两个参数怎么调extract_text()的默认值对题库 PDF 往往不合适。真正要动的是两个参数。with pdfplumber.open(path) as pdf: for pno, page in enumerate(pdf.pages, start1): text page.extract_text(x_tolerance1.5, y_tolerance3) or x_tolerance控制水平方向多大的间距算同一个词。默认 3 对中文偏大会让A和选项正文之间被插空格正则匹配不到调到 1.5 左右通常能把选项标签 正文粘回一行。y_tolerance控制竖直方向多大的偏移算同一行默认 3 在行距紧的版面上会把相邻两行合并把选项 B 的内容拼到选项 A 后面。调这两个参数的顺序建议是先看选项行是否完整再看题干换行是否被误合并最后才看详解段落。如果调参之后仍然错乱退一步用page.extract_words()拿每个词的坐标自己按top排序再按x0重排代价是代码量翻倍好处是版式再怪也能兜住。3.4 详解归属怎么保证解析绑在正确的题上详解归属错误是最隐蔽的问题题目本身完整答案也对但解析是上一道题的用户看半天对不上。判断规则有三条按优先级排解析块紧跟在答案行之后同页或紧邻下一页且下一题题号出现前的内容都属于它。解析里出现因此选 X故选 X这个 X 必须等于该题的answer不等就要打标记。如果一道题的expl为空而下一题有内容说明切分点在详解中间需要人工回看页码。第二条是性价比最高的自检。它顺便能抓到答案抽取错位如果你从页脚抓到的答案和解析里的结论字母对不上八成是分页把答案行和题干了拆散了source_page字段这时就派上用场。常见做法是在切分时把跨页题目单独打个cross_page标记后续质检优先看这批。4. 题库质检答案错位、选项残缺与重复题的自动排查抽完 320 道题先别急着做前端。自动质检花二十分钟能省掉后面几周的返工。4.1 四类高频脏数据的判定规则现象判定规则处理动作答案错位详解中故选 X的 X 与 answer 不一致标 conflict人工优先看选项残缺选项数小于 4或标签不是 A 开头的连续序列标 missing_option题干截断题干以下列以下结尾或长度小于 20 字标 trunc无详解explanation 为空或去空白后少于 20 字标 no_expl四类里答案错位的影响最大因为它会直接把用户的正确判断判为错。选项残缺次之用户点不到正确选项。题干截断通常发生在跨页位置用source_page回跳一眼就能补。4.2 一份可重复运行的质检脚本import sqlite3, re CONCLUSION re.compile(r(?:因此|所以|故选|应选|正确答案是|故答案选)\s*([A-D])) def audit(conn): issues [] rows conn.execute( SELECT id, stem, answer, explanation, source_page FROM question).fetchall() for qid, stem, answer, expl, page in rows: expl expl or labels [r[0] for r in conn.execute( SELECT label FROM choice WHERE question_id? ORDER BY label, (qid,))] # 1. 答案错位详解结论字母与答案字段不一致 hits set(CONCLUSION.findall(expl)) if hits and not hits set(answer.split(,)): issues.append((conflict, qid, page, f{sorted(hits)} vs {answer})) # 2. 选项残缺不足 4 个或标签不连续 if len(labels) 4 or labels ! [chr(ord(A) i) for i in range(len(labels))]: issues.append((missing_option, qid, page, .join(labels))) # 3. 题干截断以引导词结尾或过短 s (stem or ).strip() if len(s) 20 or re.search(r(下列|以下|如下)$, s): issues.append((trunc, qid, page, s[-15:])) # 4. 无详解 if len(re.sub(r\s, , expl)) 20: issues.append((no_expl, qid, page, )) return issues if __name__ __main__: conn sqlite3.connect(bank.db) for kind, qid, page, detail in audit(conn): print(f{kind}\tq{qid}\tp{page}\t{detail})正则CONCLUSION里的(?:因此|所以|故选|应选|正确答案是|故答案选)是逐步攒出来的一开始只写了故选结果漏掉大量写成因此选择 A 项的解析加上因此之后误报变多因为解析论证过程中会出现因此却不接选项字母。最终用\s*([A-D])强制要求字母紧跟才算把误报压下去。这套正则该按你自己的语料继续加分支不要指望一次写全。脚本输出用 tab 分隔、字段固定是为了能直接重定向到文件再用sort | uniq -c统计各类型数量。反复跑同一份 PDF输出应该完全一致如果有随机差异说明抽取阶段用了集合或字典且顺序不稳定得回头修。注意质检脚本只负责捞出来不负责改对。自动改答案错位风险极高尤其是削弱加强类题目解析里的结论字母有时是在复述错误选项。4.3 抽样人审抽多少、看哪几项320 道题全人审不现实分层抽样更划算。按题型分层每层抽 10% 且不少于 5 道再额外把质检标出来的 conflict 和 missing_option 全看一遍这两类通常只占个位数到二十几道。看的时候只核三件事答案字母、选项是否四个齐全、详解结论句是否支持答案。题干文字的小瑕疵可以放过因为它不影响判分。实际操作里我会把抽样结果写成一个小 CSV字段是qid, 人工判定, 原因跑第二次质检时拿它做回归——规则改动之后问题题清单只能变短不能变长变长说明新规则引入了误报。5. 让 320 道逻辑推理详解真正提分难度分层与错题回流5.1 用作答流水给题目打难度标签题目的难度不该由人拍脑袋定应该由作答数据算出来。每条作答记录都能更新一次难度用简化的 Elo 就够了K 0.06 def update_difficulty(d, is_correct): # d 是题目难度p 是答对的期望概率 p 1 - d score 1.0 if is_correct else 0.0 # 答对则难度下调题变简单答错则上调 return min(0.95, max(0.05, d - K * (score - p)))K取 0.06 是个经验值太大前几次作答就能把难度推到极端新用户随手答错一道简单题这题就被永久标成难题太小要答几十次才动。min/max的夹取是必须的否则长期答错的题难度会漂到 1.0 以上排序时永远排第一。跑一段时间后按难度分三档difficulty 0.35打基础0.35~0.7做巩固 0.7做专项突破。组卷时按 3:5:2 配比比随机抽 20 题有效得多。5.2 错题回流的 SQL 与复习间隔错题本不该是所有答错过的题而应该是答错之后还没答对过的题。这个定义用 SQL 表达只有几行SELECT q.id, q.stem, q.answer, q.explanation FROM question q JOIN attempt a ON a.question_id q.id WHERE a.is_correct 0 AND a.answered_at datetime(now, -3 day) AND NOT EXISTS ( SELECT 1 FROM attempt b WHERE b.question_id q.id AND b.is_correct 1 AND b.answered_at a.answered_at -- 之后答对过就不再回流 ) GROUP BY q.id ORDER BY q.difficulty DESC;NOT EXISTS子查询是核心它保证一道题只在错完之后没再对过时才出现。-3 day的窗口给一个冷却期避免用户当天反复刷到同一道题。复习间隔可以直接固定错 1 次隔 1 天错 2 次隔 3 天连续答对 2 次移出队列 14 天。用attempt表算连续答对次数时按answered_at倒序取最近几条遇到第一个is_correct 0就停。5.3 详解质量校验让解析能被反推验证320 道详解是这份题库最大的资产也是最容易失真的一环。一个可落地的校验方式是从详解里抽出结论句的选项字母和answer字段比对——这正是第 4 章质检脚本做的事只是它应该随时能重跑而不是只在上线前跑一次。再进一步可以把详解按句切分后建全文索引用于这道题为什么选 B的站内检索。查询时把用户的问句和详解句子做关键词匹配即可不需要上向量库320 道题的详解总量也就几十万字SQLite 的 FTS5 足够快。CREATE VIRTUAL TABLE expl_fts USING fts5( qid UNINDEXED, sentence, tokenizeunicode61 );抽句时按中文标点切切完丢掉长度小于 8 字的碎片再按qid回填。用户搜削弱 因果倒置命中的句子后跟一个跳转到原题的链接比直接铺开全文可读性好得多。最后一个实用技巧抽取时给每条explanation记下起始页码和页内序号PDF 换版本重抽之后只需要比对两次content_hash的差集就能知道哪些题真的变了、哪些只是版式微调导致的假变更。差集为空时新的抽取结果可以直接丢弃省掉一整轮人工复核。本文还有配套的精品资源点击获取
逻辑推理320道PDF解析：结构化题库、质检与错题回流实战
简介这份PDF题库面向备战综合能力测试的求职者、公务员及银行国企考生以及希望系统训练逻辑思维的职场人。全包仅1个PDF文件约1.43MB轻量便携手机或电脑均可随时翻阅。题库精选320道逻辑推理题并附详细解析覆盖翻译推理、加强论证、因果推理、归纳演绎与类比推理等题型每道题都拆解出论点、论据与推理链条帮助读者从表象中抽象出实质。内容还穿插《宪法》第40条通信自由与秘密保护、《能源效率标识管理办法》能效标准等法律与政策知识让逻辑训练更具现实意义。另有在线考试系统与「笔试通」移动端刷题软件配套可模拟自测、碎片化练习。已有892人学习适合需要建立逻辑思维框架、在复杂情境中快速识别与解决问题的考生按模块刷题提分。1. 逻辑推理题库不是PDF 加个搜索框320 道题的工程化起点我见过最常见的处理方式把《综合能力测试提分题库之逻辑推理题精选320道详解.pdf》丢进网盘需要时用阅读器 CtrlF 搜削弱前提排列。搜是能搜到但题目和选项被分页切断详解和下一题题干黏在同一段答案藏在页脚或括号里你想按题型统计正确率、想拿错题本做二次训练全都没法下手。逻辑推理题的特点是题干长、选项短、详解比题干还长这让只做全文检索的方案几乎失效。把这份 320 题的详解 PDF 变成能跑的东西真正要解决的是三件事按题号把连续的文本流切成一道一道的题把每道题拆成题干、选项、答案、详解四个字段并落库再用一套可重复运行的质检规则把切错、答案错位、选项残缺的题捞出来。这三件事做完320 道题才算从文档变成数据。这篇面向的是想自建刷题系统、做内部训练工具或题库小程序的工程师也包括想把错题本做成数据、而不是做成截图的人。默认你会写 Python会用 SQL不需要懂任何逻辑学教材。2. 逻辑推理题型分类与题库数据模型怎么设计才撑得住 320 道详解数据模型设计错了后面所有统计都是白干。这一步必须先把题型分清楚再决定字段。2.1 六类逻辑推理题的可检索特征综合能力测试里的逻辑推理常见可归为六类。分类不是为了学术是为了让你能在 SQL 里按题型筛、按题型统计正确率、按题型出专项练习。题型典型问法可检索关键词需要额外存的字段形式逻辑·复言命题由此可以推出如果…那么、只有…才、除非命题符号化结果选填形式逻辑·直言命题以下哪项为真所有、有的、并非无论证·削弱加强最能削弱/加强上述结论削弱、加强、质疑、支持论据、结论切分位置论证·前提假设上述论证基于哪项假设假设、前提、依赖无分析推理·元素对应可以确定的是排列、对应、顺序、座位条件条数智力推理·朴素逻辑谁说的是真话真假话、说谎、每人说一句条件条数削弱加强类是最容易出问题的一类答案对错高度依赖对结论的界定所以在库里最好把论据和结论标出来哪怕只标一个字符偏移量。我一般会额外加一个focus字段存这道题问的是削弱还是加强方便后面做专项组卷。2.2 题干、选项、答案、详解四件套的表结构不要把所有东西塞进一张宽表。选项是天然的一对多关系解析原文可能很长跟题目放在一行会让每次查询都把大字段读出来。-- 题目主表只放结构化的、需要频繁过滤的字段 CREATE TABLE question ( id INTEGER PRIMARY KEY, qtype TEXT NOT NULL, -- formal_proof / weaken_strengthen / assumption ... stem TEXT NOT NULL, -- 题干原文保留内部换行 answer TEXT NOT NULL, -- 正确选项字母多选存 A,C explanation TEXT, -- 详解原文 source_page INTEGER, -- 来源页码出问题能回跳 PDF content_hash TEXT UNIQUE, -- 题干归一化哈希用于去重 difficulty REAL DEFAULT 0.5, -- 难度估计初始 0.5 created_at TEXT DEFAULT (datetime(now)) ); -- 选项表一道题 4~5 行 CREATE TABLE choice ( question_id INTEGER NOT NULL REFERENCES question(id) ON DELETE CASCADE, label TEXT NOT NULL, -- A/B/C/D content TEXT NOT NULL, PRIMARY KEY (question_id, label) ); -- 作答流水每次提交记一行不要覆盖 CREATE TABLE attempt ( id INTEGER PRIMARY KEY, question_id INTEGER NOT NULL REFERENCES question(id), is_correct INTEGER NOT NULL, -- 1 正确 0 错误 answered_at TEXT DEFAULT (datetime(now)) ); CREATE INDEX idx_attempt_q ON attempt(question_id);三个设计点值得说明。content_hash加了 UNIQUE重复题在插入阶段就会被拦下不用等质检。attempt是流水表而不是在 question 上打标记因为正确率、复习间隔、难度更新都依赖历史一旦覆盖就再也算不出连续答对两次。source_page保留页码PDF 换版本重新抽取时你能快速定位是哪几页的版式变了。提示difficulty初始值给 0.5 而不是 0是为了让后续 Elo 更新有一个中性起点也避免AVG类查询里出现 NULL。2.3 用 SQLite 建库并写入解析结果SQLite 足够撑起 320 道题加上几万条作答流水单文件、零运维导出也方便。写入时用事务包起来比逐条 commit 快一个数量级。import sqlite3, hashlib, re NORM re.compile(r[\s。、()【】\[\]]) def content_hash(stem, opts): 题干 选项一起归一化后哈希避免两道题只有选项顺序不同被判成重复 payload NORM.sub(, stem) | |.join( f{k}{NORM.sub(, v)} for k, v in sorted(opts.items())) return hashlib.sha256(payload.encode(utf-8)).hexdigest()[:16] def save(conn, q): h content_hash(q[stem], q[opts]) cur conn.execute( INSERT OR IGNORE INTO question (qtype, stem, answer, explanation, source_page, content_hash) VALUES (?,?,?,?,?,?), (q[qtype], q[stem], q[answer], q[expl], q[page], h)) if cur.rowcount 0: # 哈希冲突说明是重复题跳过 return None qid cur.lastrowid conn.executemany( INSERT INTO choice (question_id, label, content) VALUES (?,?,?), [(qid, k, v) for k, v in q[opts].items()]) return qidINSERT OR IGNORE配合 UNIQUE 约束让去重这件事从业务代码下沉到数据库。参数上注意两点qtype建议用固定的英文枚举值中文标签放在前端映射表里否则后面写查询条件时你要反复处理全角半角explanation存原文而不是清洗后的版本清洗逻辑改了可以重算原文丢了就没了。批量写的时候用with conn:包住整个循环它会自动开启事务并在异常时回滚比手动BEGIN/COMMIT少踩坑。3. 把 320 道详解 PDF 解析成结构化题库的完整流程解析是整条链路里最脏的一段。版式一旦有两页不同正则就会崩。所以流程要拆成探路—切分—抽取—归属四步每一步都能单独验证。3.1 先判断有没有文本层再决定 pdfplumber 还是 OCR不要上来就写抽取代码。先确认这份 PDF 是电子版还是扫描件能选中文字就是文本层不能选中就得走 OCR两条路的代码完全不一样。# 打印第 1 页的字符数与前 200 个字符判断是否有文本层 python - PY import pdfplumber with pdfplumber.open(逻辑推理题精选320道详解.pdf) as pdf: txt pdf.pages[0].extract_text() or print(pages:, len(pdf.pages), chars:, len(txt)) print(txt[:200]) PY如果chars接近 0 而页面明显有字就是扫描件如果chars正常但中文乱码多半是字体没有正确 ToUnicode 映射需要换解析库或先做一次字体修复。这两种情况下 OCR 的识别质量会直接决定后面所有环节的上限所以要先抽样看 3 页的识别结果再决定是否值得继续。3.2 按题号锚点切分题干块题号是最稳的锚点。常见形态有1.1、1第1题统一个正则把它们归一。import re Q_HEAD re.compile(r^\s*(?:第\s*)?(\d{1,3})\s*(?:题)?\s*[.、:]\s*(?\S)) OPT re.compile(r^\s*([A-D])\s*[.、:]\s*(.)$) ANS re.compile(r(?:参考)?答案\s*[:]?\s*([A-D](?:\s*[,、]\s*[A-D])*)) EXPL re.compile(r^\s*(?:解析|详解|答案解析)\s*[:]?\s*(.*)$)Q_HEAD里那个(?\S)是必须的没有它形如3.14的数值会被当成题号一道题就被劈成两半。另一个防误判的写法是只接受序号等于上一题序号 1的行跳号的一律当正文。def split_blocks(lines): lines 是 (页码, 行文本) 的迭代器输出一道道题的字典 q, state None, stem for pno, line in lines: head Q_HEAD.match(line) # 只接受连续递增的题号防止把正文里的编号误判成新题 if head and (q is None or int(head.group(1)) q[no] 1): if q: yield q q {no: int(head.group(1)), page: pno, stem: [Q_HEAD.sub(, line).strip()], opts: {}, answer: None, expl: []} state stem continue if q is None: continue if state in (stem, opt): m OPT.match(line) if m: q[opts][m.group(1)] m.group(2).strip() state opt continue m ANS.search(line) if m and q[answer] is None: q[answer] re.sub(r[\s、], ,, m.group(1)) state answer rest line[m.end():].strip( :) # 答案行常跟解析开头 if rest: q[expl].append(rest) continue if state in (answer, expl): me EXPL.match(line) q[expl].append(me.group(1).strip() if me else line.strip()) state expl else: q[stem].append(line.strip()) if q: yield q这段状态机的关键在state。stem和opt两个状态下才允许识别选项行因为详解段落里出现选项 A的概率不低。进入answer之后所有内容都归详解不再往回认选项。状态的单调推进比每行都跑一遍所有正则再打分要稳得多。3.3 extract_text 的两个参数怎么调extract_text()的默认值对题库 PDF 往往不合适。真正要动的是两个参数。with pdfplumber.open(path) as pdf: for pno, page in enumerate(pdf.pages, start1): text page.extract_text(x_tolerance1.5, y_tolerance3) or x_tolerance控制水平方向多大的间距算同一个词。默认 3 对中文偏大会让A和选项正文之间被插空格正则匹配不到调到 1.5 左右通常能把选项标签 正文粘回一行。y_tolerance控制竖直方向多大的偏移算同一行默认 3 在行距紧的版面上会把相邻两行合并把选项 B 的内容拼到选项 A 后面。调这两个参数的顺序建议是先看选项行是否完整再看题干换行是否被误合并最后才看详解段落。如果调参之后仍然错乱退一步用page.extract_words()拿每个词的坐标自己按top排序再按x0重排代价是代码量翻倍好处是版式再怪也能兜住。3.4 详解归属怎么保证解析绑在正确的题上详解归属错误是最隐蔽的问题题目本身完整答案也对但解析是上一道题的用户看半天对不上。判断规则有三条按优先级排解析块紧跟在答案行之后同页或紧邻下一页且下一题题号出现前的内容都属于它。解析里出现因此选 X故选 X这个 X 必须等于该题的answer不等就要打标记。如果一道题的expl为空而下一题有内容说明切分点在详解中间需要人工回看页码。第二条是性价比最高的自检。它顺便能抓到答案抽取错位如果你从页脚抓到的答案和解析里的结论字母对不上八成是分页把答案行和题干了拆散了source_page字段这时就派上用场。常见做法是在切分时把跨页题目单独打个cross_page标记后续质检优先看这批。4. 题库质检答案错位、选项残缺与重复题的自动排查抽完 320 道题先别急着做前端。自动质检花二十分钟能省掉后面几周的返工。4.1 四类高频脏数据的判定规则现象判定规则处理动作答案错位详解中故选 X的 X 与 answer 不一致标 conflict人工优先看选项残缺选项数小于 4或标签不是 A 开头的连续序列标 missing_option题干截断题干以下列以下结尾或长度小于 20 字标 trunc无详解explanation 为空或去空白后少于 20 字标 no_expl四类里答案错位的影响最大因为它会直接把用户的正确判断判为错。选项残缺次之用户点不到正确选项。题干截断通常发生在跨页位置用source_page回跳一眼就能补。4.2 一份可重复运行的质检脚本import sqlite3, re CONCLUSION re.compile(r(?:因此|所以|故选|应选|正确答案是|故答案选)\s*([A-D])) def audit(conn): issues [] rows conn.execute( SELECT id, stem, answer, explanation, source_page FROM question).fetchall() for qid, stem, answer, expl, page in rows: expl expl or labels [r[0] for r in conn.execute( SELECT label FROM choice WHERE question_id? ORDER BY label, (qid,))] # 1. 答案错位详解结论字母与答案字段不一致 hits set(CONCLUSION.findall(expl)) if hits and not hits set(answer.split(,)): issues.append((conflict, qid, page, f{sorted(hits)} vs {answer})) # 2. 选项残缺不足 4 个或标签不连续 if len(labels) 4 or labels ! [chr(ord(A) i) for i in range(len(labels))]: issues.append((missing_option, qid, page, .join(labels))) # 3. 题干截断以引导词结尾或过短 s (stem or ).strip() if len(s) 20 or re.search(r(下列|以下|如下)$, s): issues.append((trunc, qid, page, s[-15:])) # 4. 无详解 if len(re.sub(r\s, , expl)) 20: issues.append((no_expl, qid, page, )) return issues if __name__ __main__: conn sqlite3.connect(bank.db) for kind, qid, page, detail in audit(conn): print(f{kind}\tq{qid}\tp{page}\t{detail})正则CONCLUSION里的(?:因此|所以|故选|应选|正确答案是|故答案选)是逐步攒出来的一开始只写了故选结果漏掉大量写成因此选择 A 项的解析加上因此之后误报变多因为解析论证过程中会出现因此却不接选项字母。最终用\s*([A-D])强制要求字母紧跟才算把误报压下去。这套正则该按你自己的语料继续加分支不要指望一次写全。脚本输出用 tab 分隔、字段固定是为了能直接重定向到文件再用sort | uniq -c统计各类型数量。反复跑同一份 PDF输出应该完全一致如果有随机差异说明抽取阶段用了集合或字典且顺序不稳定得回头修。注意质检脚本只负责捞出来不负责改对。自动改答案错位风险极高尤其是削弱加强类题目解析里的结论字母有时是在复述错误选项。4.3 抽样人审抽多少、看哪几项320 道题全人审不现实分层抽样更划算。按题型分层每层抽 10% 且不少于 5 道再额外把质检标出来的 conflict 和 missing_option 全看一遍这两类通常只占个位数到二十几道。看的时候只核三件事答案字母、选项是否四个齐全、详解结论句是否支持答案。题干文字的小瑕疵可以放过因为它不影响判分。实际操作里我会把抽样结果写成一个小 CSV字段是qid, 人工判定, 原因跑第二次质检时拿它做回归——规则改动之后问题题清单只能变短不能变长变长说明新规则引入了误报。5. 让 320 道逻辑推理详解真正提分难度分层与错题回流5.1 用作答流水给题目打难度标签题目的难度不该由人拍脑袋定应该由作答数据算出来。每条作答记录都能更新一次难度用简化的 Elo 就够了K 0.06 def update_difficulty(d, is_correct): # d 是题目难度p 是答对的期望概率 p 1 - d score 1.0 if is_correct else 0.0 # 答对则难度下调题变简单答错则上调 return min(0.95, max(0.05, d - K * (score - p)))K取 0.06 是个经验值太大前几次作答就能把难度推到极端新用户随手答错一道简单题这题就被永久标成难题太小要答几十次才动。min/max的夹取是必须的否则长期答错的题难度会漂到 1.0 以上排序时永远排第一。跑一段时间后按难度分三档difficulty 0.35打基础0.35~0.7做巩固 0.7做专项突破。组卷时按 3:5:2 配比比随机抽 20 题有效得多。5.2 错题回流的 SQL 与复习间隔错题本不该是所有答错过的题而应该是答错之后还没答对过的题。这个定义用 SQL 表达只有几行SELECT q.id, q.stem, q.answer, q.explanation FROM question q JOIN attempt a ON a.question_id q.id WHERE a.is_correct 0 AND a.answered_at datetime(now, -3 day) AND NOT EXISTS ( SELECT 1 FROM attempt b WHERE b.question_id q.id AND b.is_correct 1 AND b.answered_at a.answered_at -- 之后答对过就不再回流 ) GROUP BY q.id ORDER BY q.difficulty DESC;NOT EXISTS子查询是核心它保证一道题只在错完之后没再对过时才出现。-3 day的窗口给一个冷却期避免用户当天反复刷到同一道题。复习间隔可以直接固定错 1 次隔 1 天错 2 次隔 3 天连续答对 2 次移出队列 14 天。用attempt表算连续答对次数时按answered_at倒序取最近几条遇到第一个is_correct 0就停。5.3 详解质量校验让解析能被反推验证320 道详解是这份题库最大的资产也是最容易失真的一环。一个可落地的校验方式是从详解里抽出结论句的选项字母和answer字段比对——这正是第 4 章质检脚本做的事只是它应该随时能重跑而不是只在上线前跑一次。再进一步可以把详解按句切分后建全文索引用于这道题为什么选 B的站内检索。查询时把用户的问句和详解句子做关键词匹配即可不需要上向量库320 道题的详解总量也就几十万字SQLite 的 FTS5 足够快。CREATE VIRTUAL TABLE expl_fts USING fts5( qid UNINDEXED, sentence, tokenizeunicode61 );抽句时按中文标点切切完丢掉长度小于 8 字的碎片再按qid回填。用户搜削弱 因果倒置命中的句子后跟一个跳转到原题的链接比直接铺开全文可读性好得多。最后一个实用技巧抽取时给每条explanation记下起始页码和页内序号PDF 换版本重抽之后只需要比对两次content_hash的差集就能知道哪些题真的变了、哪些只是版式微调导致的假变更。差集为空时新的抽取结果可以直接丢弃省掉一整轮人工复核。本文还有配套的精品资源点击获取
