问：

比如这样的pdf文档 如何切出一道道完整的题目，并加上题目标签，属于什么题型、年份、难度、题干、图片、选项、答案、解析、知识点等等

请你给我提供一套解决思路。

答：

好，这个问题本质上不是“怎么切 PDF”，而是如何把一份“教学型 PDF”结构化为“机器可理解、可检索、可再利用的题库数据”。我给你一套工程级、可落地、可扩展的完整思路，从认知到技术，一层一层来。

我会以你给的这类典型资料为参照（69 页、题型+典例+解析混合的数学讲义）来讲清楚这件事 。

第一层：先认清这是一个“结构还原问题”，不是 OCR 问题

很多人一上来就想：
PDF → OCR → 文本 → 正则 → 题目

这是必死路线。

因为像你这个 PDF，本质上是：

• 人为排版的“教学文档”

• 不是标准化的“试卷”

• 同一页里可能同时出现：
  题干 + 小问 + 解析 + 图像 + 公式 + 红字提示

所以正确的认知是：

你不是在“提取题目”，
你是在还原作者脑子里的题目结构。

也就是说，你真正要做的是：
文档语义分块（Semantic Chunking）+ 题目结构建模。

第二层：定义你的“标准题目数据模型”（这是核心）

在动任何技术之前，先定义你最终想得到什么。

一个完整、可用、可扩展的题目 JSON，至少应该长这样：

Question {
  id
  source: {
    book_name
    chapter
    section
    page_range
  }
  meta: {
    subject: 数学
    grade: 高中
    topic: 圆锥曲线
    sub_topic: 向量与共线
    year: 2024 / 未知
    exam_type: 模拟 / 高考 / 校考
    difficulty: 0.6
    question_type: 解答题 / 选择题 / 填空题
  }
  stem: {
    text
    latex
    images[]
  }
  sub_questions: [
    {
      index: (1)
      stem
      answer
      analysis
    }
  ]
  options: []   // 选择题才有
  answer
  analysis
  knowledge_points[]
}

你后面做的一切，只是在不断逼近这个结构。

第三层：PDF 预处理（决定你成功率 60% 的一步）

对这种资料，不要直接 OCR，优先顺序是：

1️⃣ PDF 文本层提取
2️⃣ 版面信息（坐标、字体、字号、颜色）
3️⃣ 再兜底 OCR（只用于公式/图片文字）

具体工具组合建议

• pdfplumber / pdfminer

• 文本

• 每一行的坐标（x0, y0, x1, y1）

• 字体大小、粗细

• 能拿到：

• Mathpix / PaddleOCR（公式模式）

• 专门识别公式图

• 页面图像渲染

• 用于切题图、几何图

关键不是“识别准”，而是：
你能不能知道“这段文字在页面的什么位置”。

第四层：文档级“语义分段”（切出题目骨架）

以你这个文档为例，天然存在几种强语义锚点：

• 「题型一 / 二 / 三」

• 「典例 1-1 / 1-2」

• 「变式 1-1」

• 「解析」

• 「（1）（2）（3）」子问

• 红色/加粗公式说明

推荐做法：多信号联合切分

不是靠一个规则，而是投票制：

1️⃣ 文本信号

• 正则：

• 【典例\s*\d+-\d+】

• 【变式\s*\d+-\d+】

• 【解析】

• （\d+）

2️⃣ 版面信号

• 典例标题字号更大

• 解析往往整体偏左/偏右

• 小问行首有固定缩进

3️⃣ 视觉信号

• 红字、蓝字（很多教辅都有）

• 图像下方紧跟解析

最终你要做的是：
把一页切成一组有顺序的 Block：

Block {
  type: title / stem / sub_stem / analysis / image
  text
  bbox
  page
}

第五层：从 Block 组合成“一道完整题”

这是最容易出 bug、也是最值钱的一步。

组合逻辑不是“遇到解析就结束”，而是：

• 一道题 =
  从「典例/变式标题」开始
  到「下一个同级标题」之前结束

• 子问归属规则：

• （1）（2）（3）出现 → 子问

• 若解析中仍出现（1）（2），要回溯绑定

图像绑定规则（非常重要）

• 若图片 bbox 位于某一 stem 的下方、左右 200px 内
  → 绑定到该题

• 若图片出现在解析区
  → 标记为 analysis_image

第六层：标签与元数据的“半自动生成”

这一层，AI 才是真正主角。

你不需要硬规则去判断：

• 题型

• 难度

• 知识点

你要做的是：结构化喂给模型，让它“判题”。

推荐做法：分层 Prompt

Prompt 1：题目理解

输入：

• 题干

• 子问

• 解析

输出：

• 这是选择 / 解答？

• 是否为圆锥曲线？

• 是否涉及向量共线？

Prompt 2：知识点抽取

输出：

• 主知识点（不超过 3 个）

• 常见误区

• 是否为高频考点

Prompt 3：难度估计

可用维度：

• 运算复杂度

• 推理步数

• 是否多知识点耦合

第七层：校验与回流（否则你迟早崩）

你一定要设计人工+自动的校验闭环：

• 随机抽题 → 人工复核

• 发现错误 → 回溯是哪一层错了：

• PDF 切错？

• Block 合并错？

• LLM 判断错？

真正能规模化的系统，
不是一次性 100% 正确，而是能快速修正。

第八层：一条现实可跑的 MVP 路线

如果你现在就想做，推荐：

第一阶段（1–2 周）

• 只做：

• 题目切分

• 题干 + 解析

• 不做难度、不做知识点

第二阶段

• 加 AI 标签

• 加图像绑定

第三阶段

• 做题型统计、搜索、相似题推荐

一句点醒你的话（也是你这个问题的本质）

你问的是“怎么切题”，
但真正值钱的是：

你在把“人类教师的教学经验”，转译成“机器可用的认知结构”。

这不是工具活，这是认知工程。