1. 代码开发工具切入题库PDF:先别急着背,先把考点变成可统计的数据
把一份单片机期末考试题库PDF交给代码开发工具处理,比一页页翻更稳。PDF里往往混着题干、解析、电路图和表格,直接背诵很容易把时间花在低频章节上。这套做法先用pdfplumber把文字抽出来,再用关键词表把每道题映射到知识模块,最后得到一张题量占比表,用来排复习优先级。适合会一点Python、手头有电子版题库的人。它不是押题工具,只是把“不知道先看哪章”变成可复核的数据。下面从工具选型、脚本落地、统计口径和踩坑记录一步步拆。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 代码开发工具选型:pdfplumber抽文本、jieba留作分词入口
2.1 为什么先抽文本再谈统计
题库PDF的处理顺序不能反过来。先统计关键词、再回头找原文,很容易把页眉、页码、解析里的词一起算进去。更稳的顺序是:先确认PDF是文本型还是扫描型,再把每页文字抽出来,最后才做模块命中统计。pdfplumber在这里承担的是“把PDF页面还原成可读文本”的角色,它按页遍历,调用extract_text()拿到该页文字;如果某页是图片扫描件,返回值会是空字符串或几乎为空,这时候统计脚本再花哨也没有意义。
jieba在当前脚本里更像一个预留入口。材料里的统计逻辑并没有真正调用分词,而是用关键词子串命中来计数。这个选择不算玄学:期末题库的题干通常包含“中断”“定时器”“波特率”这类明确术语,先按关键词表命中足够跑通第一版。jieba留给后续扩展,比如把题干切成词后做同义词归并,或者处理“定时器/计数器”这种连写。第一版不引入分词,反而少一层误差,脚本也更容易复核。
2.2 环境与最小工程目录
不需要搭复杂工程。准备一个目录,放题库PDF和两个脚本即可。安装依赖时用常见的包管理方式:
bash复制pip install pdfplumber jieba
pdfplumber负责PDF文字抽取,jieba先装上留作后续分词入口;当前统计脚本不调用jieba也不会报错,但保留导入方便后面扩展。目录可以简单到下面这样:
| 文件或目录 | 作用 |
|---|---|
题库.pdf |
待处理的题库PDF,换成本地实际文件名 |
extract_pdf.py |
抽取PDF文本并打印预览 |
count_modules.py |
按知识模块统计关键词命中题数 |
MODULES字典 |
写在统计脚本里,按教材章节调整 |
第一步不要直接跑统计。先抽文本,打印前几百字,确认题干、选项、解析有没有正常出来。如果打印出来只有页码和页眉,说明这份PDF大概率是扫描件,后面要换电子版或先做OCR。这个“先验货”的动作能省掉很多返工。
2.3 第一个可运行抽取脚本
python复制import pdfplumber
def extract_text(pdf_path):
text = ""
with pdfplumber.open(pdf_path) as pdf:
for page in pdf.pages:
page_text = page.extract_text()
if page_text:
text += page_text + "\n"
return text
if __name__ == "__main__":
raw = extract_text("题库.pdf")
print(raw[:500]) # 先看前500字,确认题干和解析是否正常抽出
这段代码的逻辑很直白:pdfplumber.open()打开PDF,pdf.pages逐页遍历,extract_text()取当前页文字,非空才拼接到text,最后返回整份文本。参数上只需要改pdf_path,把它指向本地题库文件;raw[:500]是预览长度,前500字足够判断有没有抽出正文,不需要一上来就打印全文。
跑完先看三件事:题干编号是否连续、选项是否跟题干连在一起、解析里有没有混入页眉页脚。如果题干和选项被拆成很多短行,不要急着改统计脚本,后面切题时会专门处理。如果整页返回空,先怀疑扫描件,不要怀疑pdfplumber坏了。这个顺序看起来慢,实际比后面反复修统计口径快得多。
3. 统计口径:把每道题映射到知识模块
3.1 MODULES字典是统计的灵魂
统计脚本的核心不是循环,而是MODULES字典。它把“知识模块”和“关键词”绑在一起,例如中断系统对应“中断、优先级、嵌套、IE、IP、中断向量”,定时器计数器对应“定时器、计数器、TMOD、TH0、TL0、初值、溢出”。词表贴着教材章节走,统计结果才有解释力。不同教材的章节名不一样,有的把中断和定时器合并成一章,词表就要相应合并;有的把串口拆成通信和寄存器两节,也可以拆成两个模块。
词表不要一上来铺太大。第一版每个模块放五到八个高辨识度词,跑完抽样看十道题,确认命中是否合理,再补同义词。比如“中断”这个词很容易在解析里出现,如果发现某个模块占比虚高,优先检查是不是解析里的解释句被算进去了,而不是继续加词。
3.2 计数函数与输出占比
下面是材料里给出的统计脚本,整理成可直接运行的一版:
python复制import pdfplumber
import jieba
from collections import Counter
# 知识模块关键词表,按你的教材章节调整
MODULES = {
"中断系统": ["中断", "优先级", "嵌套", "IE", "IP", "中断向量"],
"定时器计数器": ["定时器", "计数器", "TMOD", "TH0", "TL0", "初值", "溢出"],
"串口通信": ["串口", "UART", "波特率", "SCON", "SBUF", "RI", "TI"],
"IO口与外部中断": ["P0", "P1", "P2", "P3", "上拉", "灌电流", "外部中断"],
"存储器与寻址": ["RAM", "ROM", "寻址", "位寻址", "直接寻址", "寄存器"],
"指令系统": ["MOV", "ADD", "CJNE", "DJNZ", "汇编", "指令周期"],
}
def extract_text(pdf_path):
text = ""
with pdfplumber.open(pdf_path) as pdf:
for page in pdf.pages:
page_text = page.extract_text()
if page_text:
text += page_text + "\n"
return text
def count_modules(text):
# 按行粗切,每行长度超过10才当作一个题块候选
questions = [q for q in text.split("\n") if len(q.strip()) > 10]
module_hits = Counter()
for q in questions:
for module, keywords in MODULES.items():
if any(kw in q for kw in keywords):
module_hits[module] += 1
return module_hits
if __name__ == "__main__":
raw = extract_text("题库.pdf")
hits = count_modules(raw)
total = sum(hits.values())
for module, count in hits.most_common():
print(f"{module}: {count} 题, 占比 {count/total*100:.1f}%")
extract_text()和上一节一致,负责把PDF转成整段文本。count_modules()先按换行切分,把长度超过10的行当作题块候选;然后遍历MODULES,只要某道题里出现该模块任意一个关键词,就给该模块加一。Counter负责累计,most_common()按命中题数从高到低排序。total是各模块命中数之和,用于算占比。注意这里的“题数”是命中题块数,不是试卷真实题数,所以占比只能用来排优先级,不能当分值预测。
参数上最需要动的是MODULES:词表要贴着教材章节,不要照搬别人的。len(q.strip()) > 10是粗切阈值,题干很短时可能漏掉,解析很长时可能把多道题粘在一起。第一版先跑通,后面再用题号切分校准。
3.3 输出表怎么读
跑完可能得到类似“中断系统28%、定时器22%、串口15%”的占比。这个表只回答一个问题:在当前词表和当前切题口径下,哪些模块被命中的题块更多。它适合拿来排复习顺序,不适合拿来说“考试一定考多少分”。如果某个模块占比高,但教材里这一章本来例题就多,也可能只是题量堆积。读表时至少看三列:命中题数、占比、词表里有哪些词。占比高且词表干净,优先复习;占比高但词表很宽,先抽样复核;占比低但教材标注为重点,不要直接放弃。
4. 校准:从“能跑”到“敢拿它排复习优先级”
4.1 按行切题的误差来源
第一版脚本用text.split("\n")按行切题,优点是简单,缺点是题干、选项、解析被拆成多行时,一个题块可能只是一行解析。这样统计出来的“题数”会偏大,某些解析里反复出现的词也会被重复计数。更麻烦的是,题干和解析分开后,关键词可能只在解析里出现,导致模块命中看似合理、实际却把“解释性文字”算成了考点。
校准的第一步不是改词表,而是改切题。题库里通常有题号,例如“1.”“2、”“(3)”,可以用题号作为锚点,把每道题连同解析切成一块。下面是一个最小切分函数:
python复制import re
def split_by_question_no(text):
# 以行首的“数字+点/顿号”作为题号锚点,保留题号在题块里
blocks = re.split(r'(?=\n\s*\d+\s*[\.、])', text)
return [b.strip() for b in blocks if len(b.strip()) > 10]
re.split()里的正则用前瞻(?=...),匹配位置但不消耗字符,所以题号会留在切出来的题块开头。\n\s*\d+\s*[\.、]只认行首数字加句点或顿号,适合“1.”“2、”这类编号;如果题库用的是“(1)”或“第1题”,正则要相应调整。切完先打印前三个题块,确认题干和解析没有粘连,再跑统计。这个函数不改变关键词表,只改变统计单元,所以能快速判断误差是来自切题还是来自词表。
4.2 加一层题号切分与人工抽样
切题改完后,统计脚本里的questions来源要换成split_by_question_no(raw)。跑完不要直接看总表,先抽十道题人工对一遍。抽样表可以按下面四项看:
| 检查项 | 看什么 | 处理 |
|---|---|---|
| 题块是否完整 | 题干、选项、解析是否在同一块 | 不完整就调题号正则 |
| 关键词是否命中题干 | 命中词出现在题干还是解析 | 解析命中多时考虑限定题干区 |
| 模块是否重复计数 | 一道题命中多个模块 | 接受多标签,但输出时注明 |
| 低占比模块是否漏词 | 教材重点章节占比异常低 | 补同义词后重跑 |
抽样时不要只看命中成功的题,重点看“没命中但明显属于某模块”的题。比如一道题考定时器初值计算,题干里只有“初值”没有“定时器”,词表里如果只有“定时器”就会漏掉。补词要补在对应模块里,不要为了拉高占比把词表铺成一张大网。
4.3 用占比表排复习顺序
占比表出来以后,排复习顺序可以按三步走。第一步,把模块按占比从高到低排,占比高的先看;第二步,把教材标注的重点章节插进来,占比低但教材重点的不能丢;第三步,把题型因素考虑进去,计算题多的模块留出整块练习时间,概念题多的模块放在碎片时间过。这样排出来的计划比“从第一页翻到最后一页”更有依据。
还要留一个复核动作:每次改完MODULES或切题正则,重新跑一遍,比较前后占比变化。如果某个模块从15%跳到35%,不要高兴得太早,先看是不是新加的词太宽。统计口径稳定后,占比才有参考价值;口径天天变,表就只能当黑匣子看。
5. 代码开发工具避坑:扫描件、切题、关键词误命中这四类最折腾
5.1 现象:extract_text()返回空字符串
原因:PDF是扫描件,页面里没有可抽取的文字层,pdfplumber只能拿到空文本或少量页眉。解决:先换电子版;实在没有电子版,再用OCR路线,常见做法是pytesseract配合pdf2image。但OCR对公式、电路图和表格不友好,识别出来的符号可能缺笔画,统计关键词时反而制造噪声。我的做法是:扫描件只对纯文字题干做OCR,带图题单独标记,不把OCR结果直接混进总表。这样至少不会让整份统计变成玄学。
5.2 现象:模块占比忽高忽低,换一次切题就变一套结果
原因:按行切题把题干、选项、解析拆散,解析里的词被重复计数,题块长度也不稳定。解决:改用题号切分,切完抽十道题人工对;对不上的题块调整正则,不要急着改词表。切题稳定之前,任何占比都只能当草稿。血泪经验是:先修切题,再修词表,顺序反了会越调越乱。
5.3 现象:某个模块占比虚高,点开看全是解析在命中
原因:关键词表过宽,或者统计时没有区分题干区和解析区。比如“中断”在解析里解释一句也会被算中。解决:把词表分层,高辨识度词放第一层,宽泛词放第二层;统计时优先用题干区命中,解析区命中单独标记。如果脚本暂时不分题干和解析,至少把宽泛词从词表里拿掉,跑一轮看占比是否回落。回落明显,说明之前确实误命中。
5.4 现象:换一本教材脚本就跑不通,模块全为空
原因:MODULES是贴着某一本教材章节写的,换教材后章节名、术语缩写、寄存器写法都可能变。解决:先拿新教材的十道题做小样本,手动标出所属模块,再反推关键词;不要直接套旧词表。词表更新后重新跑抽样,确认新词没有把旧模块带偏。这个动作看起来笨,但比对着空表猜原因快。
5.5 现象:把占比表当成考分预测,复习计划被带偏
原因:占比统计的是关键词命中题块数,不是试卷分值,也不是出题概率。解决:占比只用来排优先级,最终计划还要结合教材重点、题型和自身薄弱项。占比高的模块先过一遍,占比低但教材标注重点的照样要练。把统计表当参考,不当后悔药;真正决定复习效果的,还是有没有把题做对。
6. 收尾技巧:把统计结果落成可执行的复习排期
统计跑通后,把结果落成CSV,方便按周排期。下面这段代码接在前面的hits和total之后:
python复制import csv
with open("module_hits.csv", "w", newline="", encoding="utf-8-sig") as f:
writer = csv.writer(f)
writer.writerow(["模块", "命中题数", "占比"])
for module, count in hits.most_common():
writer.writerow([module, count, f"{count / total * 100:.1f}%"])
encoding="utf-8-sig"是为了用表格软件打开时不乱码;newline=""避免Windows下多出空行。CSV里保留命中题数和占比两列,排期时再把教材重点列手动加进去。验证方法很简单:随机抽十道题,对照CSV里的模块归属,命中明显不对就回去改词表或切题正则,不要直接拿表排计划。
我一般会给每个模块留一个“复核样本”列,写三道代表性题号。下次改词表后先跑这三道,确认归属没变,再看总表。从那以后我每次改MODULES都先抽十道题对一遍,再谈复习排期。希望帮到你。
