量子力学试卷PDF解析：从扫描识别到结构化题库构建全攻略

简介：这份试卷是中山大学2014学年第3学期《量子力学》A卷期末考试真题及配套解答，适合物理专业本科生备考，也适合需要系统梳理量子力学基础概念的初学者。资源为单份PDF电子版，共1个文件，压缩包大小339KB，包含完整试题与分步解题过程，可直接打印练习或对照研读。该资源已有47人学习下载，属于小型但针对性较强的复习材料。全卷共5道大题、总分100分，覆盖波函数测量坍缩、狄拉克δ函数、傅里叶变换求动量分布、一维势场中奇偶宇称本征态分析、束缚态判据，以及一维谐振子归一化与位置、动量、动能、势能期望值计算等量子力学核心专题。部分题目附有选做讨论，解题过程标注了关键推导步骤，有助于理解不确定性原理、定态薛定谔方程与测量问题的实际应用，适合期末复习和自测查漏补缺。

1. 一份量子力学试卷PDF为什么值得花两个小时去解析

备考量子力学时，某导师丢过来一份“2014量子力学A卷含解答.pdf”，说让我自己先做一遍再对答案。真正打开文件才发现，这份PDF看着是正常文档，复制出来的文字却七零八落：公式变成乱码，上下标挤成一团，解答里的推导过程全部显示为图片。很多人遇到这种情况就放弃了，改成对着屏幕硬读原卷。但如果你手里有三套以上这样的历史试卷，或者正在整理个人题库，解析就不是可选项，而是刚需。

这篇笔记要解决的问题，不是“怎么读PDF”，而是把这份A卷处理成“能搜索、能切分、能重排版”的完整方案：先判断文件是文字版还是扫描版，再把题目和解答分离，最后用带验证步骤的工作流做质量把关。适合两类人：一类是收集了多套历史试卷做复习索引的同学，另一类是给团队搭课程资料库的开发者——后者能少踩很多格式翻车的坑。

2. 从PDF到可编辑文本：先看清这份A卷是文字版还是扫描图

处理旧试卷的第一步不是打开文件复制，而是先弄清这个PDF内部到底有没有可抽取的文字层。试卷PDF的情况比想象中复杂：“2014量子力学A卷含解答.pdf”可能是当年用LaTeX排版的电子稿，也可能是打印后扫描进电脑的扫描版。两种形态的处理方案完全不同。如果把扫描版直接送给文本抽取工具，得到的是空文本；如果把文字版直接送进OCR，又白白损失精度。先判断文件类型，能省掉后面一半的返工。

2.1 三行命令判断PDF是文字版还是扫描版

我一般会把PDF先交给一款能用脚本操作的工具，先测两件事：有没有文本层，以及文本层覆盖率有多高。用Python的PyMuPDF就能完成，代码很短：

import fitz # PyMuPDF doc = fitz.open("2014量子力学A卷含解答.pdf") total_chars = 0 empty_pages = 0 for page in doc: text = page.get_text("text") if len(text.strip()) == 0: empty_pages += 1 else: total_chars += len(text.strip()) print(f"total_pages={len(doc)} empty_pages={empty_pages} total_chars={total_chars}")

这段代码的逻辑是逐页调用页对象的get_text方法，把文本层内容抓到字符串里；如果某页完全没有文本，就计入空页。最后输出的total_chars是整份PDF能抽取到的字符总量，empty_pages是没有文本的页数。判断标准很简单：如果total_chars接近0、empty_pages占了大多数，说明这份A卷是扫描件；反过来，如果总字符上万、空页很少，说明有可靠文本层。这里的参数是PDF页数，一份A卷通常是4到6页，如果empty_pages大于等于页数的一半，基本可以直接走扫描件流程。

2.2 有文本层时优先用“直接抽取”，别急着上OCR

如果判断出来是文字版，后续就简单很多。用PyMuPDF完成初判之后，还可以用另一款工具做二次抽取，因为它导出的顺序和坐标更接近人的阅读顺序。命令如下：

import pdfplumber with pdfplumber.open("2014量子力学A卷含解答.pdf") as pdf: for i, page in enumerate(pdf.pages): text = page.extract_text() print(f"--- page {i+1} ---") print(text)

这里用pdfplumber打开同一个文件，遍历每一页并调用extract_text，把整页文字按行打印出来。pdfplumber的优势在于能利用PDF内部的字符坐标，按布局还原换行顺序，这对试卷这种“题目一行、公式一行、解答另起一段”的格式比普通文本抽取更友好。抽取完成后，把输出存成一个txt文件，作为后续切分的数据源。

这一阶段会遇到一个常见情况：正文能抽出来，但公式位置是空白。原因很典型——很多LaTeX排版的试卷里公式不是文本，而是嵌入的图片或矢量对象。所以就算这是文字版PDF，也只能认为“题目文字是文本”，公式仍要单独处理，这在第三章会专门讲。

2.3 扫描版要分两个方向处理：正文与公式

如果2.1的脚本输出显示这是一份扫描版，就必须转入OCR。扫描版又分两种情况：一种是整页都是扫描图，另一种是文字有文本层、但某些页被图片替换。处理方向也有两个。

第一个方向是整页OCR，适合整份PDF都是扫描图片的情况。此时先用图像工具把PDF页面转成300DPI的PNG，再交给OCR。转图像这一步不能省，因为OCR对分辨率的敏感度比人眼高得多，低于200DPI时识别率会明显下滑。我常用的转换参数是：输出格式PNG、分辨率300DPI、色彩模式灰度，这样在识别速度和准确率之间比较均衡。

第二个方向是只对页面里的公式区域做局部OCR。判断依据是2.1的文本抽取结果里，某些页面文字密度正常但局部缺字。这种情况下，先拿到页面上公式区域的坐标，裁出子图，再单独识别。两种方向的根本区别在于：整页OCR得到的是整页文本流，局部OCR得到的是孤立的公式块。后者更容易接进公式结构化流程，因为不需要再从一大段文本里重新辨认哪些是公式。

3. 公式和符号是量子力学试卷的最大拦路虎：从识别到结构化

量子力学试卷和普通文档最大的区别在于符号密度。一份典型的A卷里会出现大量带上下标的波函数、偏微分算符、积分号、求和号、矩阵元。这些符号在PDF内部往往不是统一文本，甚至不是统一字体。于是出现一个现象：试卷本身逻辑清楚，但你解析出来的文本却像黑匣子里的乱码。“含解答”三个字更加大了难度，因为解答部分通常是大段推导，公式一个接一个，每个公式的识别误差都会被后续步骤放大。

3.1 为什么通用OCR在“含解答的量子力学A卷”上会翻车

早年间用Tesseract这类通用OCR跑量子力学试卷，效果很差。观察到的现象是：英文字母识别准确率尚可，但“ψ”“ħ”“∂”这类符号经常识别成普通英文字母，然后带着错误进入后续步骤，很难追查。原因有两个：第一，训练数据集里数学符号占比太低；第二，数学公式的二维结构（上下标、分式、根号）和普通文本的行结构差别太大，通用OCR默认按行切割，遇到上下标时就乱了。

后来改用数学专项OCR（比如Mathpix的识别接口）之后，效果明显改善，但也不再适合把所有页面都丢给它，因为成本会高很多。常见做法是折中：普通题目和解答文本用通用OCR或直接抽取，公式区域单独裁出来走数学OCR。这个“先分后合”的思路在实操中最稳，也最省钱。

3.2 把公式拆成“行内公式”和“展示公式”再分别处理

公式在试卷里的存在形式有两种，处理方式完全不同。行内公式是嵌在文字段落里的，比如“归一化条件为ψ(x)满足∫|ψ(x)|²dx = 1”里的积分表达式；展示公式通常独立成行，比如求解定态薛定谔方程时，公式独占一行并居中。前者需要保留上下文的语序，后者需要保留数学结构的整体性。

我在处理时会把它们分开：行内公式尽量从页面文本层里直接保留原始Unicode字符串，只要没有乱码就不做二次识别；展示公式则走专门的公式识别流程，转成LaTeX代码。一个简单但有效的筛选方式是看“是否独立成行且左右留白大”：在提取出的文本流里，公式所在行如果长度短且两边没有其他文字，就视为展示公式。

def split_formula_lines(text): display_lines, inline_parts = [], [] for line in text.splitlines(): stripped = line.strip() if len(stripped) <= 80 and ("∫" in stripped or "∂" in stripped or "=" in stripped): display_lines.append(stripped) else: inline_parts.append(stripped) return display_lines, inline_parts

这个函数的逻辑是按行判断：如果这一行较短、且包含常见的公式特征符号，就把它当成独立的展示公式收集起来；否则按行内文本保留。这里的80是字符数阈值，根据实际卷面排版可以调到60或100。需要说明的是，这个函数不是替代OCR，而是为了从混合文本中快速分层，避免把展示公式和正文揉在一起。

3.3 识别工具选型与阈值参考表

这一节整理了实际用过的识别路径和参数，按性价比排序列一张表，方便做判断。

这张表的核心建议是：不要对手写解答抱期望。真实收集到的试卷里，手写解答直接截图归档最稳，强行OCR的结果只会花大量时间去校对。表格里“PDF字体无Unicode映射”这个点，多出现在老版本软件生成的PDF中，一旦出现，任何抽取方案都会失效，只能转图片走OCR。

4. 把题目和解答分开存储：抽题、去噪、建结构

解析文本只是第一步。如果目的是复习或建题库，就必须把“题目”和“解答”分开。一份“含解答”的A卷，题目和解答往往在同一个页面上交替出现，有时解答紧跟在题目后面，有时解答集中放在卷末。不分开的话，后续想做“遮答案自测”就很难。

4.1 按题号切分：正则匹配与上下文校验

常见试卷格式是第一题、第二题这样顺序编号，或者带子题（一.1、二.2）。我的做法是用正则先把题目块切出来，同时保留“题号之后到下一个题号之前”的完整文本块。

import re raw_text = open("extracted_text.txt", encoding="utf-8").read() pattern = re.compile(r"([一二三四五六七八九十]+[、．.])|(\d+[．.])", re.MULTILINE) matches = list(pattern.finditer(raw_text)) sections = [] for i, m in enumerate(matches): start = m.start() end = matches[i + 1].start() if i + 1 < len(matches) else len(raw_text) sections.append(raw_text[start:end].strip())

这里正则先匹配“一、”“二.”这类中文题号，或者“1.”“2.”这类数字题号。match的start位置作为块的起点，下一个match的start作为终点，从而把每道题分出来。有几个坑需要注意：一是题目里可能包含“解法一：”这样的字样，不能误判成新题号；二是子题编号“（1）”不能和主编号混在一起；三是公式里的小数点“0.5”可能会触发数字题号匹配。所以我通常会在正则后加一层人工校验：打印每个块的前20个字符，快速扫一遍是否有错切。

4.2 解答区去噪：图形、手写与无关页眉页脚的清理

切分完成之后，会发现块里混着不少噪音。最常见的是页眉页脚，比如页码、“第1页共4页”这类信息；其次是题目里的插图说明、题目附带的坐标图；还有手写笔迹，在扫描版里表现为噪斑。

去噪原则是：题目块里保留题干、公式和必要的图注；解答块里保留推导步骤和结论，但坐标图可以单独存成图片文件而不塞进文本。页眉页脚的删除直接按正则处理，比如匹配页码和页眉关键字后替换为空字符串。对于图形，我的做法是解析页面里的图像对象，把坐标落在题目区域的图片单独导出，文件名按“页码_题号”命名，这样文本和图片可以互相引用。

import fitz doc = fitz.open("2014量子力学A卷含解答.pdf") for page_no in range(len(doc)): page = doc[page_no] for img_no, img in enumerate(page.get_images(full=True)): xref = img[0] pix = fitz.Pixmap(doc, xref) if pix.n > 3: pix = fitz.Pixmap(fitz.csRGB, pix) pix.save(f"images/page{page_no + 1}_img{img_no + 1}.png")

这段代码遍历每一页，取出页面引用的图片对象并保存为PNG。pix.n大于3表示图片带透明通道，先转成RGB再保存，避免保存出来的图是黑底。这里要注意的是get_images拿到的是页面引用的图片，不一定是完整插图，有时一个大图会被切成多个小块分布在页面上。所以保存完之后还要人工检查图片数量和实际看到的是否相符。

4.3 按“原卷顺序”和“题型索引”组织数据

题目切好、噪音去掉之后，可以决定如何组织这些数据。两种组织方式各有用途。第一种是按原卷顺序保存，直接对应原始PDF的页码，适合和原卷对照阅读；第二种是按题型分类索引，比如把归一化、微扰论、散射问题的题目归到一起，适合复习时按专题找题。

一个不复杂但实用的结构是把两种合并：目录保持原卷顺序，文件夹结构按题型分类。在保存文件名里同时写题型和原卷号，例如“01_坐标表象_2014A卷一.docx”表示这是2014年A卷第一题、题型为坐标表象。这样既不会丢掉原卷信息，又能按专题筛选。实际使用时，我还会在每个题目文件里保留一行原始页码，方便有疑问时快速跳回原PDF定位。

5. 2014量子力学A卷解析避坑指南：5个容易做错的地方

这一章只讲教训。整理过三套以上试卷的人基本都会遇到下面五个问题，每一条都按照“现象→原因→解决”的顺序写。

5.1 公式里的上下标解析后全部错位

现象：一段文本抽取后，x²变成x2，ψₙ变成ψn，积分上下限跑到公式后面。 原因：PDF内部字符位置信息在抽取时没有被转换成结构信息，上下标只是“画”在基线偏移的位置上，普通抽取工具只按字符顺序输出。 解决：改用带坐标的抽取方式，先拿到每个字符的坐标和字体大小，再根据垂直位置判断是上标还是下标。把基线偏移超过半行高度的字符标记出来，再拼接成正确的文本形式。

5.2 题目编号和正文混成一行

现象：切分后“1.”和题干首句连在一起，正则匹配不到下一题的起点。 原因：PDF里题号和正文的间隔非常小，或者题号换了字体，导致正则匹配失败。 解决：不要只依赖文本层的字符序列，而是结合字符坐标，把题号单独抽出来验证。具体做法是遍历文本块，找到左下角x坐标最小的文本块，再判断它是不是题号。如果是，把它作为新的切分起点。

5.3 OCR后符号和题号正确率只有六成

现象：扫描版跑完OCR，题目能看个大概，但“ψ”“ħ”“∂”识别得乱七八糟，一些表达式整体错义。 原因：通用OCR模型对数学符号没有专项训练，加上试卷背景噪声把符号笔画破坏了。 解决：把这个文档交给数学OCR接口而不是通用OCR。如果不想付费，至少做两步预处理：先把页面转成300DPI灰度图，再做一次二值化或去噪，减少背景干扰。正确率会从六成提到八成以上，剩下的靠人工校对。

5.4 转成LaTeX后一编译就报缺字体或缺宏包

现象：从公式识别结果生成的.tex文件在本地编译时，报某个宏包未找到，或者某种字体缺失，编译中断。 原因：公式识别工具输出的LaTeX用到了一些非常见宏包，比如mathrsfs、braket，本地环境没有安装。 解决：维护一个统一的宏包清单，把所有可能用到的数学宏包都放进导言区，并在开始转换之前先跑一遍编译测试。如果报告缺字，直接安装对应字体包。注意在文档头部导入amsmath和amssymb，因为大多数量子力学公式依赖这两个基础包。

5.5 处理完发现少了一道题

现象：按流程切完题目，复盘时发现某页的某道题不在输出里。 原因：这道题在原文中不是以数字题号开头，而是以“解法”“附注”或“证明”开头，没有被切分规则捕获。 解决：在切分后用一个临时的段落标题列表做核对，把“解法”“证明”“计算”这类关键词也纳入块边界候选。核对时打开原PDF，逐页对比块数量和正文标题数量，不要只看一个文件就认为处理完了。

6. 进阶：把解析过的A卷变成可检索的个人题库

解析做到这里，得到的是一份结构化的、题目解答分开的文本。“可检索”的下一步是给每道题打标签。量子力学的知识点相对固定：波函数归一化、算符与测量、一维势阱、氢原子、自旋、微扰论、散射问题。用这些标签给每道题做标注之后，就可以用几条命令完成按知识点检索、按难度筛选和按年份排序。

6.1 用文本标签实现按知识点检索

把每道题的题块文件头部插入一个简单的YAML区域，例如“知识点: 微扰论; 年份: 2014; 题号: A卷三”。之后用任意脚本工具扫描目录即可完成检索。比起依赖某款实体管理软件，用纯文本做标签的好处是零依赖、可迁移，换成任何环境都能直接接手。

grep -r "知识点: 微扰论" ./题库/ | cut -d: -f1

这条命令在当前目录的题库文件夹下递归搜索所有包含“知识点: 微扰论”的文件，并只显示文件名。cut -d: -f1是把输出按冒号切成字段，取第一个字段，也就是文件名。如果希望按年份检索，把关键词换成“年份: 2014”即可。

6.2 验证解析质量：用“两遍未经预览的盲检”

最后说一个习惯用的验证方法：切分完成后，不看原PDF，先用解析出的文本做一遍完整解答，遇到公式直接编译渲染成图片再对比，而不是原文照抄。第一次盲检只看逻辑通不通，第二次盲检是随机抽选三页，逐行与原卷对比。两遍都通过后，这份解析才算真正可用。这个方法用掉了不少时间，但让后面的复习和题目复用省了更多的时间。这是我踩过一次坑后养成的习惯——初版解析文件在某个模拟项目X里直接用于出题，结果因为公式符号错位，生成的练习卷里出现了一个不存在的负号，整个知识点的练习题全部推翻重来。从那以后，盲检两步就没有省略过。希望帮到你。

本文还有配套的精品资源，点击获取