简介这份PDF面向模具设计与制造领域的工程师、技术员及备考人员系统梳理了塑料成型工艺与模具结构设计的核心考点。内容以填空、多选、判断等题型呈现覆盖脱模斜度取值、壁厚与加强筋设计、配合间隙、扣位分类、孔洞与圆角原则、螺纹加工方法、常见塑料缺陷及透明/耐磨/热敏性塑料的选用等实务知识并延伸至尺寸精度影响因素与降解防范措施适合用于岗位自测、技能复盘或培训考核。资源包内含1个PDF文件大小约429KB轻量便携可直接在电脑或移动端查阅。目前已有113人学习说明其在模具工程学习群体中具备一定参考价值。读者可借助其中的题目与解析快速定位知识盲区对照塑件结构设计、成型工艺与模具制造等模块查漏补缺也可作为日常设计评审时的速查清单提升对塑料件常见缺陷与结构优化要点的判断能力。1. 模具工程师考试题.pdf一份 PDF 背后藏着多少条可复现的备考路径模具工程师考试题.pdf 这个文件名第一次看到的人多半会愣一下——它不像源码包也不像数据集就是一份题。但真正带过新人备考的老工程师都清楚这份 PDF 的价值不在“题”本身而在于它能不能被拆成一套可检索、可标注、可反复刷的知识结构。我见过太多人把这类文件下载完就躺在硬盘里吃灰也见过有人靠一份题册反推出整套设计规范。区别只有一个你是把它当“阅读材料”还是当“可解析的数据源”。这篇文章面向三类人准备考证但不知道从哪下手的模具设计从业者、想把自己零散经验整理成题库的老手、以及需要给团队做内部培训的技术负责人。接下来我会把这份 PDF 从“打开看”一路拆到“批量标注、错题归因、参数化复习”每一步都给出能直接抄的代码和参数。2. 把 PDF 拆成可检索题库解析、切题与结构化存储2.1 为什么直接读 PDF 是效率最低的方式模具工程师考试题.pdf 这类文件通常有几个共同特征页数在 80 到 300 之间题型混杂单选、多选、判断、简答、计算大量依赖图纸和表格部分公式以图片形式嵌入。直接翻页阅读的问题在于你无法按知识点筛选无法统计错题分布无法把“注塑模分型面选择”相关的题一次性拉出来集中攻克。更现实的是PDF 里的文字层往往不完整——扫描版没有文字层排版版有文字层但顺序错乱。所以第一步不是“读”而是“解析并重建结构”。常见做法是先用 pdfplumber 或 PyMuPDF 提取文本和坐标再按题号正则切分。我一般会先跑一遍文本提取看看到底有没有文字层再决定要不要上 OCR。import pdfplumber import re def extract_text_by_page(pdf_path): 逐页提取文本保留页码索引 pages [] with pdfplumber.open(pdf_path) as pdf: for i, page in enumerate(pdf.pages): text page.extract_text() or pages.append({page: i 1, text: text}) return pages def split_questions(pages): 按题号切分适配 1. 1、 第1题 三种常见格式 pattern re.compile(r(?:^|\n)\s*(?:第)?(\d{1,3})\s*[\.、题]) questions [] current None for p in pages: for line in p[text].split(\n): m pattern.match(line) if m: if current: questions.append(current) current {num: int(m.group(1)), page: p[page], body: line} elif current: current[body] \n line if current: questions.append(current) return questions这段代码的逻辑很直白先逐页拿文本再用正则找题号起点。参数上最关键的是pattern它决定了切分粒度。如果你的 PDF 里题号是“一、选择题”这种大标题加“1.”小标题正则需要排除大标题——我一般会把\d{1,3}限制在 1 到 3 位并且要求后面紧跟.、、或“题”字。切分完你会得到一个 questions 列表每个元素包含题号、页码和题干正文。这时候不要急着高兴先检查切出来的数量对不对——如果 PDF 有 200 题但只切出 80 条多半是题号格式不统一需要补第二条正则。2.2 题干、选项、答案的三路分离切出题目只是第一步真正影响后续检索的是选项和答案有没有被正确分离。模具考试题里选项常见格式是 A/B/C/D 各占一行答案可能集中在卷末也可能紧跟在每题后面。我的做法是对每个 question 的 body 再做一次行级分类用正则识别选项行和答案行。def parse_question_body(body): 把题干正文拆成 stem / options / answer 三部分 lines [l.strip() for l in body.split(\n) if l.strip()] stem, options, answer [], [], opt_pattern re.compile(r^[A-Da-d]\s*[\.、\)]\s*) ans_pattern re.compile(r^(?:答案|参考答案|正确答案)[:\s]*([A-Da-d√×对错])) for line in lines: ans_m ans_pattern.match(line) if ans_m: answer ans_m.group(1) continue if opt_pattern.match(line): options.append(line) else: stem.append(line) return { stem: \n.join(stem), options: options, answer: answer }这里有两个参数需要按你的 PDF 实际情况调opt_pattern里的[\.、\)]覆盖了“A.”“A、”“A)”三种写法如果你的题册用的是“A”全角点要补进去ans_pattern里的[A-Da-d√×对错]是为了兼容判断题的“√/×”和文字答案。跑完之后你会得到结构化的题目对象。此时建议做一次抽样校验随机抽 10 题人工核对 stem 里有没有混入选项、options 有没有漏掉。这一步花 10 分钟能省掉后面几小时的脏数据排查。2.3 用 SQLite 建一个可查询的本地题库结构化数据不落库等于白做。我一般用 SQLite因为零配置、单文件、Python 原生支持。建表时至少要有题号、页码、题干、选项 JSON、答案、知识点标签、错题次数。知识点标签可以先留空后面用关键词规则或人工补。import sqlite3 import json def init_db(db_pathmold_exam.db): conn sqlite3.connect(db_path) conn.execute( CREATE TABLE IF NOT EXISTS questions ( id INTEGER PRIMARY KEY, num INTEGER, page INTEGER, stem TEXT, options TEXT, answer TEXT, tag TEXT DEFAULT , wrong_count INTEGER DEFAULT 0 ) ) conn.commit() return conn def insert_questions(conn, questions): for q in questions: parsed parse_question_body(q[body]) conn.execute( INSERT INTO questions (num, page, stem, options, answer) VALUES (?, ?, ?, ?, ?), (q[num], q[page], parsed[stem], json.dumps(parsed[options], ensure_asciiFalse), parsed[answer]) ) conn.commit()建好之后你就能用一句 SQL 拉出所有含“分型面”的题SELECT * FROM questions WHERE stem LIKE %分型面%;。这个能力在后期复习时价值极大——你可以按知识点批量导出也可以统计每个知识点的题量分布判断哪些章节是考试重点。参数上注意options存 JSON 字符串而不是拆成多列因为不同题型的选项数量不固定JSON 更灵活。3. 知识点自动标注用关键词和规则把题分到模具设计各模块3.1 模具考试的知识点分类到底怎么定模具工程师考试的知识模块通常围绕几大块注塑模具结构浇注系统、冷却系统、顶出系统、分型面、冲压模具冲裁、弯曲、拉深、模具材料与热处理、加工工艺与公差配合、CAD/CAE 基础。但具体到一份题册分类粒度要看你的目的。如果只是为了复习粗分 8 到 12 类就够如果要做团队培训的细粒度追踪可以拆到 30 类以上。我的建议是先按“设计决策”维度分而不是按“章节”分。比如“分型面选择”和“浇口位置设计”都属于注塑模但前者影响脱模后者影响填充错题归因时完全不同。常见做法是先人工标 50 题作为种子再用关键词规则扩展。3.2 关键词规则标注的实现与调参关键词标注的核心是“一个知识点对应一组触发词”命中即打标。难点在于避免误标——比如“冷却”这个词在“冷却时间计算”和“冷却水道布局”里都出现但前者偏工艺参数后者偏结构设计。我一般用“主关键词 排除词”的方式控制精度。TAG_RULES { 分型面: { include: [分型面, 分型, 合模面, parting], exclude: [分型剂] }, 浇注系统: { include: [浇口, 流道, 主流道, 冷料井], exclude: [浇口杯] # 浇口杯多用于铸造模具考试里少见 }, 冷却系统: { include: [冷却水道, 冷却水路, 冷却时间, 模温], exclude: [] }, 顶出系统: { include: [顶针, 顶杆, 推板, 复位杆], exclude: [] }, 冲裁间隙: { include: [冲裁间隙, 间隙, 刃口], exclude: [配合间隙] } } def auto_tag(stem, rulesTAG_RULES): tags [] for tag, rule in rules.items(): if any(kw in stem for kw in rule[include]): if not any(ex in stem for ex in rule[exclude]): tags.append(tag) return ,.join(tags) if tags else 未分类这段代码里include和exclude的调参是血泪经验一开始我只写 include结果“间隙”这个词把公差配合的题全标成了冲裁间隙。后来加了 exclude 才压下去。另一个参数是匹配方式——我用的是简单子串匹配对中文够用如果你的题册里有英文术语可以改成大小写不敏感的正则。跑完自动标注后一定要统计“未分类”的比例。如果超过 30%说明规则覆盖不够需要补关键词如果低于 10%说明规则可能过宽要抽查误标。3.3 标注结果回写与人工修正流程自动标注只是初稿最终要人工过一遍。我的流程是先把自动标注结果写回数据库的 tag 字段然后导出一个 CSV用表格软件打开按 tag 排序逐条扫。修正时只改错的不改对的。修正完再导回数据库。import csv def export_for_review(conn, csv_pathreview.csv): cur conn.execute(SELECT id, num, stem, tag FROM questions ORDER BY tag) with open(csv_path, w, newline, encodingutf-8-sig) as f: writer csv.writer(f) writer.writerow([id, num, stem, tag]) for row in cur: writer.writerow(row) def import_corrections(conn, csv_pathreview.csv): with open(csv_path, r, encodingutf-8-sig) as f: reader csv.DictReader(f) for row in reader: conn.execute( UPDATE questions SET tag ? WHERE id ?, (row[tag], row[id]) ) conn.commit()这里有个细节CSV 用utf-8-sig编码是为了让表格软件打开时不乱码。人工修正时我一般会把“未分类”的题集中看一遍往往能发现新的知识点类别。比如某份题册里出现了大量“热流道”相关题而我的规则里没有那就补一条。这个迭代过程跑两三轮标注准确率能到 90% 以上。4. 错题归因与参数化复习从“刷题”到“补短板”4.1 错题记录表怎么设计才有分析价值很多人记错题就是抄一遍题干和答案这没有分析价值。有价值的错题记录至少要有题目 ID、错误次数、错误类型概念不清/计算失误/审题偏差/图纸误读、关联知识点、纠正措施。错误类型这一列是关键——它决定了你后面是回去看书还是练计算还是放慢审题速度。def log_wrong(conn, qid, error_type, note): 记录一次错题错误类型必填 conn.execute( UPDATE questions SET wrong_count wrong_count 1 WHERE id ?, (qid,) ) conn.execute( INSERT INTO wrong_log (qid, error_type, note, ts) VALUES (?, ?, ?, datetime(now)), (qid, error_type, note) ) conn.commit()建wrong_log表时要加时间戳这样你能看出自己是“集中错在某一周”还是“持续错在某个知识点”。错误类型的枚举值我一般固定为四类概念、计算、审题、图纸。参数上wrong_count放在 questions 表里做冗余是为了快速筛出高频错题不用每次去 log 表聚合。4.2 按知识点统计错题密度并生成复习优先级有了错题记录下一步是算每个知识点的“错题密度” 该知识点错题数 / 该知识点总题数。密度高的知识点就是你的短板。我一般会导出一个优先级列表按密度降序排前五个就是接下来一周的复习重点。def review_priority(conn): cur conn.execute( SELECT tag, COUNT(*) AS total, SUM(CASE WHEN wrong_count 0 THEN 1 ELSE 0 END) AS wrong, ROUND(1.0 * SUM(CASE WHEN wrong_count 0 THEN 1 ELSE 0 END) / COUNT(*), 3) AS density FROM questions WHERE tag ! 未分类 GROUP BY tag HAVING total 3 ORDER BY density DESC ) return cur.fetchall()这里HAVING total 3是为了过滤掉题量太小的知识点避免“1 题错 1 题”导致密度 100% 的假信号。跑出来的结果里如果某个知识点密度超过 0.5说明你在这个模块的题有一半以上做错必须回去补基础如果在 0.2 到 0.5 之间属于薄弱但可救刷题加看解析就行低于 0.2 的可以暂时放一放。4.3 用间隔重复安排每天的刷题量错题不是刷一遍就完事。我一般用简化的间隔重复错题在记录后的第 1 天、第 3 天、第 7 天、第 14 天各复习一次每次做对则间隔翻倍做错则重置。这个逻辑可以用一张 review_schedule 表来管。def schedule_review(conn, qid): 为错题生成复习计划 intervals [1, 3, 7, 14] for i, days in enumerate(intervals): conn.execute( INSERT INTO review_schedule (qid, stage, due_date) VALUES (?, ?, date(now, ?)), (qid, i, f{days} days) ) conn.commit() def today_review(conn): cur conn.execute( SELECT q.num, q.stem, q.answer FROM review_schedule r JOIN questions q ON q.id r.qid WHERE r.due_date date(now) AND r.done 0 ) return cur.fetchall()参数上intervals可以根据你的备考周期调整——如果只剩两周考试就压缩成 [1, 2, 4, 7]如果还有三个月可以用 [1, 3, 7, 14, 30]。done字段默认 0复习完手动置 1。这个机制跑起来之后你每天打开数据库就知道该刷哪些题不用再凭感觉翻 PDF。5. 避坑与常见问题解析、标注、复习三个环节的翻车记录5.1 扫描版 PDF 没有文字层正则全部落空现象跑完提取代码questions 列表是空的或者只有零星几条。原因这份模具工程师考试题.pdf 是扫描件页面里全是图片pdfplumber 拿不到文字。解决先用page.extract_text()判断是否为空为空则对该页做 OCR。常见做法是用 pytesseract 配合中文语言包但要注意 OCR 对图纸里的标注识别率很低建议只对纯文字页做 OCR图纸页单独处理。5.2 题号格式不统一导致切分断裂现象切出来的题目数量远少于实际或者一道题被切成两段。原因题册里混用了“1.”“1、”“第1题”“1”多种格式单一正则覆盖不全。解决先统计所有行首模式再写多条正则按优先级匹配。我一般会写一个patterns列表逐条尝试命中即停。另外要注意跨页题——题干在上一页末尾、选项在下一页开头切分时要允许 body 跨页拼接。5.3 关键词标注把“公差配合”误标成“冲裁间隙”现象复习时发现“冲裁间隙”知识点下混入了大量公差题。原因include 里有“间隙”而公差题里也常出现“间隙配合”。解决加 exclude 词或者把 include 词写得更具体比如用“冲裁间隙”“模具间隙”而不是裸“间隙”。更稳的做法是给每个规则加一个“上下文窗口”——关键词前后 10 个字内如果出现“配合”“公差”则不标注。5.4 错题次数只增不减复习优先级失真现象某道题错了 5 次但后来已经掌握了密度统计仍然把它算作错题。原因wrong_count 是累计值没有“已纠正”状态。解决在 questions 表加一个resolved字段复习做对三次后手动置 1统计密度时用WHERE resolved 0过滤。或者用最近 N 天的 wrong_log 来算密度而不是全量累计。5.5 数据库文件损坏导致题库丢失现象某次写入过程中程序崩溃mold_exam.db 打不开。原因SQLite 在写入时断电或进程被杀可能损坏文件。解决每次批量写入前先备份一份 db 文件或者用conn.execute(PRAGMA journal_modeWAL)开启写前日志。我一般会在每天复习结束后把 db 复制一份到另一个目录命名带日期后悔药永远不嫌多。6. 从题库到能力图谱一个可复用的自检脚本前面五章把 PDF 拆成了可查询、可标注、可追踪的题库。最后一章我想落在一个具体技巧上用一份自检脚本把题库里的知识点密度、错题分布、复习进度一次性打出来形成你的“能力图谱”。这个脚本我一般放在项目根目录每次复习前跑一遍30 秒内知道今天该干什么。import sqlite3 def self_check(db_pathmold_exam.db): conn sqlite3.connect(db_path) print( * 50) print(题库总览) total conn.execute(SELECT COUNT(*) FROM questions).fetchone()[0] tagged conn.execute(SELECT COUNT(*) FROM questions WHERE tag ! 未分类).fetchone()[0] print(f总题数: {total} 已标注: {tagged} 标注率: {tagged/total:.1%}) print(\n各知识点错题密度前 8) cur conn.execute( SELECT tag, COUNT(*) AS total, SUM(CASE WHEN wrong_count 0 THEN 1 ELSE 0 END) AS wrong, ROUND(1.0 * SUM(CASE WHEN wrong_count 0 THEN 1 ELSE 0 END) / COUNT(*), 3) AS density FROM questions WHERE tag ! 未分类 GROUP BY tag HAVING total 3 ORDER BY density DESC LIMIT 8 ) for tag, total, wrong, density in cur: bar █ * int(density * 20) print(f{tag:12} 题量{total:4} 错题{wrong:3} 密度{density:.3f} {bar}) print(\n今日待复习) cur conn.execute( SELECT q.num, substr(q.stem, 1, 40) FROM review_schedule r JOIN questions q ON q.id r.qid WHERE r.due_date date(now) AND r.done 0 LIMIT 10 ) rows cur.fetchall() if rows: for num, stem in rows: print(f 第{num}题 {stem}...) else: print( 今日无待复习题目) print(\n高频错题错误次数 3) cur conn.execute( SELECT num, wrong_count, substr(stem, 1, 50) FROM questions WHERE wrong_count 3 ORDER BY wrong_count DESC LIMIT 5 ) for num, cnt, stem in cur: print(f 第{num}题 错{cnt}次 {stem}...) conn.close() if __name__ __main__: self_check()这个脚本的参数很简单核心是db_path指向你的题库文件。输出分四块总览看标注进度密度看短板待复习看今天任务高频错题看顽固问题。我一般会在每周日晚上跑一次把密度前五的知识点记下来下周重点攻。跑了一个月之后你会发现密度曲线在往下走——这就是最直接的进步反馈。最后说一个我自己的习惯每次考试前一周我会把wrong_count 3的题全部导出成一份单独的 PDF打印出来手写做一遍。电子题库负责管理和统计纸质错题负责模拟真实考试的手感。这个组合我用了几年比单纯刷电子题稳得多。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/21 15:02:07 · 阅读 1.2k 模具工程师考试题PDF解析：构建可检索题库与错题复习系统
简介这份PDF面向模具设计与制造领域的工程师、技术员及备考人员系统梳理了塑料成型工艺与模具结构设计的核心考点。内容以填空、多选、判断等题型呈现覆盖脱模斜度取值、壁厚与加强筋设计、配合间隙、扣位分类、孔洞与圆角原则、螺纹加工方法、常见塑料缺陷及透明/耐磨/热敏性塑料的选用等实务知识并延伸至尺寸精度影响因素与降解防范措施适合用于岗位自测、技能复盘或培训考核。资源包内含1个PDF文件大小约429KB轻量便携可直接在电脑或移动端查阅。目前已有113人学习说明其在模具工程学习群体中具备一定参考价值。读者可借助其中的题目与解析快速定位知识盲区对照塑件结构设计、成型工艺与模具制造等模块查漏补缺也可作为日常设计评审时的速查清单提升对塑料件常见缺陷与结构优化要点的判断能力。1. 模具工程师考试题.pdf一份 PDF 背后藏着多少条可复现的备考路径模具工程师考试题.pdf 这个文件名第一次看到的人多半会愣一下——它不像源码包也不像数据集就是一份题。但真正带过新人备考的老工程师都清楚这份 PDF 的价值不在“题”本身而在于它能不能被拆成一套可检索、可标注、可反复刷的知识结构。我见过太多人把这类文件下载完就躺在硬盘里吃灰也见过有人靠一份题册反推出整套设计规范。区别只有一个你是把它当“阅读材料”还是当“可解析的数据源”。这篇文章面向三类人准备考证但不知道从哪下手的模具设计从业者、想把自己零散经验整理成题库的老手、以及需要给团队做内部培训的技术负责人。接下来我会把这份 PDF 从“打开看”一路拆到“批量标注、错题归因、参数化复习”每一步都给出能直接抄的代码和参数。2. 把 PDF 拆成可检索题库解析、切题与结构化存储2.1 为什么直接读 PDF 是效率最低的方式模具工程师考试题.pdf 这类文件通常有几个共同特征页数在 80 到 300 之间题型混杂单选、多选、判断、简答、计算大量依赖图纸和表格部分公式以图片形式嵌入。直接翻页阅读的问题在于你无法按知识点筛选无法统计错题分布无法把“注塑模分型面选择”相关的题一次性拉出来集中攻克。更现实的是PDF 里的文字层往往不完整——扫描版没有文字层排版版有文字层但顺序错乱。所以第一步不是“读”而是“解析并重建结构”。常见做法是先用 pdfplumber 或 PyMuPDF 提取文本和坐标再按题号正则切分。我一般会先跑一遍文本提取看看到底有没有文字层再决定要不要上 OCR。import pdfplumber import re def extract_text_by_page(pdf_path): 逐页提取文本保留页码索引 pages [] with pdfplumber.open(pdf_path) as pdf: for i, page in enumerate(pdf.pages): text page.extract_text() or pages.append({page: i 1, text: text}) return pages def split_questions(pages): 按题号切分适配 1. 1、 第1题 三种常见格式 pattern re.compile(r(?:^|\n)\s*(?:第)?(\d{1,3})\s*[\.、题]) questions [] current None for p in pages: for line in p[text].split(\n): m pattern.match(line) if m: if current: questions.append(current) current {num: int(m.group(1)), page: p[page], body: line} elif current: current[body] \n line if current: questions.append(current) return questions这段代码的逻辑很直白先逐页拿文本再用正则找题号起点。参数上最关键的是pattern它决定了切分粒度。如果你的 PDF 里题号是“一、选择题”这种大标题加“1.”小标题正则需要排除大标题——我一般会把\d{1,3}限制在 1 到 3 位并且要求后面紧跟.、、或“题”字。切分完你会得到一个 questions 列表每个元素包含题号、页码和题干正文。这时候不要急着高兴先检查切出来的数量对不对——如果 PDF 有 200 题但只切出 80 条多半是题号格式不统一需要补第二条正则。2.2 题干、选项、答案的三路分离切出题目只是第一步真正影响后续检索的是选项和答案有没有被正确分离。模具考试题里选项常见格式是 A/B/C/D 各占一行答案可能集中在卷末也可能紧跟在每题后面。我的做法是对每个 question 的 body 再做一次行级分类用正则识别选项行和答案行。def parse_question_body(body): 把题干正文拆成 stem / options / answer 三部分 lines [l.strip() for l in body.split(\n) if l.strip()] stem, options, answer [], [], opt_pattern re.compile(r^[A-Da-d]\s*[\.、\)]\s*) ans_pattern re.compile(r^(?:答案|参考答案|正确答案)[:\s]*([A-Da-d√×对错])) for line in lines: ans_m ans_pattern.match(line) if ans_m: answer ans_m.group(1) continue if opt_pattern.match(line): options.append(line) else: stem.append(line) return { stem: \n.join(stem), options: options, answer: answer }这里有两个参数需要按你的 PDF 实际情况调opt_pattern里的[\.、\)]覆盖了“A.”“A、”“A)”三种写法如果你的题册用的是“A”全角点要补进去ans_pattern里的[A-Da-d√×对错]是为了兼容判断题的“√/×”和文字答案。跑完之后你会得到结构化的题目对象。此时建议做一次抽样校验随机抽 10 题人工核对 stem 里有没有混入选项、options 有没有漏掉。这一步花 10 分钟能省掉后面几小时的脏数据排查。2.3 用 SQLite 建一个可查询的本地题库结构化数据不落库等于白做。我一般用 SQLite因为零配置、单文件、Python 原生支持。建表时至少要有题号、页码、题干、选项 JSON、答案、知识点标签、错题次数。知识点标签可以先留空后面用关键词规则或人工补。import sqlite3 import json def init_db(db_pathmold_exam.db): conn sqlite3.connect(db_path) conn.execute( CREATE TABLE IF NOT EXISTS questions ( id INTEGER PRIMARY KEY, num INTEGER, page INTEGER, stem TEXT, options TEXT, answer TEXT, tag TEXT DEFAULT , wrong_count INTEGER DEFAULT 0 ) ) conn.commit() return conn def insert_questions(conn, questions): for q in questions: parsed parse_question_body(q[body]) conn.execute( INSERT INTO questions (num, page, stem, options, answer) VALUES (?, ?, ?, ?, ?), (q[num], q[page], parsed[stem], json.dumps(parsed[options], ensure_asciiFalse), parsed[answer]) ) conn.commit()建好之后你就能用一句 SQL 拉出所有含“分型面”的题SELECT * FROM questions WHERE stem LIKE %分型面%;。这个能力在后期复习时价值极大——你可以按知识点批量导出也可以统计每个知识点的题量分布判断哪些章节是考试重点。参数上注意options存 JSON 字符串而不是拆成多列因为不同题型的选项数量不固定JSON 更灵活。3. 知识点自动标注用关键词和规则把题分到模具设计各模块3.1 模具考试的知识点分类到底怎么定模具工程师考试的知识模块通常围绕几大块注塑模具结构浇注系统、冷却系统、顶出系统、分型面、冲压模具冲裁、弯曲、拉深、模具材料与热处理、加工工艺与公差配合、CAD/CAE 基础。但具体到一份题册分类粒度要看你的目的。如果只是为了复习粗分 8 到 12 类就够如果要做团队培训的细粒度追踪可以拆到 30 类以上。我的建议是先按“设计决策”维度分而不是按“章节”分。比如“分型面选择”和“浇口位置设计”都属于注塑模但前者影响脱模后者影响填充错题归因时完全不同。常见做法是先人工标 50 题作为种子再用关键词规则扩展。3.2 关键词规则标注的实现与调参关键词标注的核心是“一个知识点对应一组触发词”命中即打标。难点在于避免误标——比如“冷却”这个词在“冷却时间计算”和“冷却水道布局”里都出现但前者偏工艺参数后者偏结构设计。我一般用“主关键词 排除词”的方式控制精度。TAG_RULES { 分型面: { include: [分型面, 分型, 合模面, parting], exclude: [分型剂] }, 浇注系统: { include: [浇口, 流道, 主流道, 冷料井], exclude: [浇口杯] # 浇口杯多用于铸造模具考试里少见 }, 冷却系统: { include: [冷却水道, 冷却水路, 冷却时间, 模温], exclude: [] }, 顶出系统: { include: [顶针, 顶杆, 推板, 复位杆], exclude: [] }, 冲裁间隙: { include: [冲裁间隙, 间隙, 刃口], exclude: [配合间隙] } } def auto_tag(stem, rulesTAG_RULES): tags [] for tag, rule in rules.items(): if any(kw in stem for kw in rule[include]): if not any(ex in stem for ex in rule[exclude]): tags.append(tag) return ,.join(tags) if tags else 未分类这段代码里include和exclude的调参是血泪经验一开始我只写 include结果“间隙”这个词把公差配合的题全标成了冲裁间隙。后来加了 exclude 才压下去。另一个参数是匹配方式——我用的是简单子串匹配对中文够用如果你的题册里有英文术语可以改成大小写不敏感的正则。跑完自动标注后一定要统计“未分类”的比例。如果超过 30%说明规则覆盖不够需要补关键词如果低于 10%说明规则可能过宽要抽查误标。3.3 标注结果回写与人工修正流程自动标注只是初稿最终要人工过一遍。我的流程是先把自动标注结果写回数据库的 tag 字段然后导出一个 CSV用表格软件打开按 tag 排序逐条扫。修正时只改错的不改对的。修正完再导回数据库。import csv def export_for_review(conn, csv_pathreview.csv): cur conn.execute(SELECT id, num, stem, tag FROM questions ORDER BY tag) with open(csv_path, w, newline, encodingutf-8-sig) as f: writer csv.writer(f) writer.writerow([id, num, stem, tag]) for row in cur: writer.writerow(row) def import_corrections(conn, csv_pathreview.csv): with open(csv_path, r, encodingutf-8-sig) as f: reader csv.DictReader(f) for row in reader: conn.execute( UPDATE questions SET tag ? WHERE id ?, (row[tag], row[id]) ) conn.commit()这里有个细节CSV 用utf-8-sig编码是为了让表格软件打开时不乱码。人工修正时我一般会把“未分类”的题集中看一遍往往能发现新的知识点类别。比如某份题册里出现了大量“热流道”相关题而我的规则里没有那就补一条。这个迭代过程跑两三轮标注准确率能到 90% 以上。4. 错题归因与参数化复习从“刷题”到“补短板”4.1 错题记录表怎么设计才有分析价值很多人记错题就是抄一遍题干和答案这没有分析价值。有价值的错题记录至少要有题目 ID、错误次数、错误类型概念不清/计算失误/审题偏差/图纸误读、关联知识点、纠正措施。错误类型这一列是关键——它决定了你后面是回去看书还是练计算还是放慢审题速度。def log_wrong(conn, qid, error_type, note): 记录一次错题错误类型必填 conn.execute( UPDATE questions SET wrong_count wrong_count 1 WHERE id ?, (qid,) ) conn.execute( INSERT INTO wrong_log (qid, error_type, note, ts) VALUES (?, ?, ?, datetime(now)), (qid, error_type, note) ) conn.commit()建wrong_log表时要加时间戳这样你能看出自己是“集中错在某一周”还是“持续错在某个知识点”。错误类型的枚举值我一般固定为四类概念、计算、审题、图纸。参数上wrong_count放在 questions 表里做冗余是为了快速筛出高频错题不用每次去 log 表聚合。4.2 按知识点统计错题密度并生成复习优先级有了错题记录下一步是算每个知识点的“错题密度” 该知识点错题数 / 该知识点总题数。密度高的知识点就是你的短板。我一般会导出一个优先级列表按密度降序排前五个就是接下来一周的复习重点。def review_priority(conn): cur conn.execute( SELECT tag, COUNT(*) AS total, SUM(CASE WHEN wrong_count 0 THEN 1 ELSE 0 END) AS wrong, ROUND(1.0 * SUM(CASE WHEN wrong_count 0 THEN 1 ELSE 0 END) / COUNT(*), 3) AS density FROM questions WHERE tag ! 未分类 GROUP BY tag HAVING total 3 ORDER BY density DESC ) return cur.fetchall()这里HAVING total 3是为了过滤掉题量太小的知识点避免“1 题错 1 题”导致密度 100% 的假信号。跑出来的结果里如果某个知识点密度超过 0.5说明你在这个模块的题有一半以上做错必须回去补基础如果在 0.2 到 0.5 之间属于薄弱但可救刷题加看解析就行低于 0.2 的可以暂时放一放。4.3 用间隔重复安排每天的刷题量错题不是刷一遍就完事。我一般用简化的间隔重复错题在记录后的第 1 天、第 3 天、第 7 天、第 14 天各复习一次每次做对则间隔翻倍做错则重置。这个逻辑可以用一张 review_schedule 表来管。def schedule_review(conn, qid): 为错题生成复习计划 intervals [1, 3, 7, 14] for i, days in enumerate(intervals): conn.execute( INSERT INTO review_schedule (qid, stage, due_date) VALUES (?, ?, date(now, ?)), (qid, i, f{days} days) ) conn.commit() def today_review(conn): cur conn.execute( SELECT q.num, q.stem, q.answer FROM review_schedule r JOIN questions q ON q.id r.qid WHERE r.due_date date(now) AND r.done 0 ) return cur.fetchall()参数上intervals可以根据你的备考周期调整——如果只剩两周考试就压缩成 [1, 2, 4, 7]如果还有三个月可以用 [1, 3, 7, 14, 30]。done字段默认 0复习完手动置 1。这个机制跑起来之后你每天打开数据库就知道该刷哪些题不用再凭感觉翻 PDF。5. 避坑与常见问题解析、标注、复习三个环节的翻车记录5.1 扫描版 PDF 没有文字层正则全部落空现象跑完提取代码questions 列表是空的或者只有零星几条。原因这份模具工程师考试题.pdf 是扫描件页面里全是图片pdfplumber 拿不到文字。解决先用page.extract_text()判断是否为空为空则对该页做 OCR。常见做法是用 pytesseract 配合中文语言包但要注意 OCR 对图纸里的标注识别率很低建议只对纯文字页做 OCR图纸页单独处理。5.2 题号格式不统一导致切分断裂现象切出来的题目数量远少于实际或者一道题被切成两段。原因题册里混用了“1.”“1、”“第1题”“1”多种格式单一正则覆盖不全。解决先统计所有行首模式再写多条正则按优先级匹配。我一般会写一个patterns列表逐条尝试命中即停。另外要注意跨页题——题干在上一页末尾、选项在下一页开头切分时要允许 body 跨页拼接。5.3 关键词标注把“公差配合”误标成“冲裁间隙”现象复习时发现“冲裁间隙”知识点下混入了大量公差题。原因include 里有“间隙”而公差题里也常出现“间隙配合”。解决加 exclude 词或者把 include 词写得更具体比如用“冲裁间隙”“模具间隙”而不是裸“间隙”。更稳的做法是给每个规则加一个“上下文窗口”——关键词前后 10 个字内如果出现“配合”“公差”则不标注。5.4 错题次数只增不减复习优先级失真现象某道题错了 5 次但后来已经掌握了密度统计仍然把它算作错题。原因wrong_count 是累计值没有“已纠正”状态。解决在 questions 表加一个resolved字段复习做对三次后手动置 1统计密度时用WHERE resolved 0过滤。或者用最近 N 天的 wrong_log 来算密度而不是全量累计。5.5 数据库文件损坏导致题库丢失现象某次写入过程中程序崩溃mold_exam.db 打不开。原因SQLite 在写入时断电或进程被杀可能损坏文件。解决每次批量写入前先备份一份 db 文件或者用conn.execute(PRAGMA journal_modeWAL)开启写前日志。我一般会在每天复习结束后把 db 复制一份到另一个目录命名带日期后悔药永远不嫌多。6. 从题库到能力图谱一个可复用的自检脚本前面五章把 PDF 拆成了可查询、可标注、可追踪的题库。最后一章我想落在一个具体技巧上用一份自检脚本把题库里的知识点密度、错题分布、复习进度一次性打出来形成你的“能力图谱”。这个脚本我一般放在项目根目录每次复习前跑一遍30 秒内知道今天该干什么。import sqlite3 def self_check(db_pathmold_exam.db): conn sqlite3.connect(db_path) print( * 50) print(题库总览) total conn.execute(SELECT COUNT(*) FROM questions).fetchone()[0] tagged conn.execute(SELECT COUNT(*) FROM questions WHERE tag ! 未分类).fetchone()[0] print(f总题数: {total} 已标注: {tagged} 标注率: {tagged/total:.1%}) print(\n各知识点错题密度前 8) cur conn.execute( SELECT tag, COUNT(*) AS total, SUM(CASE WHEN wrong_count 0 THEN 1 ELSE 0 END) AS wrong, ROUND(1.0 * SUM(CASE WHEN wrong_count 0 THEN 1 ELSE 0 END) / COUNT(*), 3) AS density FROM questions WHERE tag ! 未分类 GROUP BY tag HAVING total 3 ORDER BY density DESC LIMIT 8 ) for tag, total, wrong, density in cur: bar █ * int(density * 20) print(f{tag:12} 题量{total:4} 错题{wrong:3} 密度{density:.3f} {bar}) print(\n今日待复习) cur conn.execute( SELECT q.num, substr(q.stem, 1, 40) FROM review_schedule r JOIN questions q ON q.id r.qid WHERE r.due_date date(now) AND r.done 0 LIMIT 10 ) rows cur.fetchall() if rows: for num, stem in rows: print(f 第{num}题 {stem}...) else: print( 今日无待复习题目) print(\n高频错题错误次数 3) cur conn.execute( SELECT num, wrong_count, substr(stem, 1, 50) FROM questions WHERE wrong_count 3 ORDER BY wrong_count DESC LIMIT 5 ) for num, cnt, stem in cur: print(f 第{num}题 错{cnt}次 {stem}...) conn.close() if __name__ __main__: self_check()这个脚本的参数很简单核心是db_path指向你的题库文件。输出分四块总览看标注进度密度看短板待复习看今天任务高频错题看顽固问题。我一般会在每周日晚上跑一次把密度前五的知识点记下来下周重点攻。跑了一个月之后你会发现密度曲线在往下走——这就是最直接的进步反馈。最后说一个我自己的习惯每次考试前一周我会把wrong_count 3的题全部导出成一份单独的 PDF打印出来手写做一遍。电子题库负责管理和统计纸质错题负责模拟真实考试的手感。这个组合我用了几年比单纯刷电子题稳得多。希望帮到你。本文还有配套的精品资源点击获取