企业官网建设流程全解析

简介：面向备战中考的初三学生及语文教师，这份2021-2022学年上海市嘉定区名校中考语文模拟试卷合集，聚焦模拟考试场景下的题型适应与应试能力提升。内容围绕积累与运用、字音字形辨误、成语与病句修改、语言表达得体、古诗词理解与默写、名著阅读《骆驼祥子》、文言文对比阅读及诗词鉴赏等核心板块展开，并附有详细解析，便于对照答案梳理考点、定位薄弱环节。资源以单个doc文档封装，共1个文件，压缩包约2.64MB，内含19套试卷及解析，结构紧凑，适合按套练习或按专题检索。目前已有73人学习下载，可作为上海地区中考语文冲刺阶段的补充题库，也适合教师选编模拟题、学生自测与错题复盘使用。

1. 19套中考语文模拟考试卷，为什么比数理化卷子更难做成题库

不少人第一反应是：语文卷子全是文字，解析起来肯定比带公式的物理卷容易。实际情况正好反过来。物理题的题干和答案由符号、单位、数字构成，边界天然清晰；语文卷的题干本身就是一段阅读材料，答案里充斥着"赏析""表达效果""有什么作用"这类主观表述，切分点只能靠题号和行文习惯去猜。这份「2021-2022学年上海市嘉定区名校中考语文模试卷含解析【19套合集】.doc」的价值不在"19套"这个数量，而在于同区、同学年、同一批命题思路，六类题型反复出现：积累与运用、古诗文默写、诗词鉴赏、文言文比较阅读、现代文阅读、名著与写作。同一道题在不同套卷里换汤不换药，做纵向比对时考点分布看得特别清楚。适合三类人：要给学生做专项训练的一线教师、正在做教育类工具的开发者、想拿真实文档验证解析链路的工程师。下面的拆解按「格式判定 → 结构切分 → 建库检索 → 去重校验」四步走。

2. .doc 到结构化文本：格式判定、批量转换与编码处理

拿到手的是.doc，但它未必是老版二进制格式。文件名后缀可以随手改，Word 另存为、网盘转存、压缩工具解包，任何一环都可能让后缀和实际内容对不上。直接丢给python-docx会抛PackageNotFoundError，然后你会花半小时怀疑自己的环境装错了。第一步永远是验明正身，而不是先写解析代码。

2.1 用文件头判定真实格式

老版 Word 文档是 OLE2 复合文档，头 8 字节固定为D0 CF 11 E0 A1 B1 1A E1；docx 是 zip 容器，头 4 字节PK\x03\x04；少数文件实际是 RTF 文本。只读前 8 字节做嗅探，比整体读入内存快几个数量级，19 套卷子一扫而过。

# sniff_office.py —— 按文件头判定真实格式，不信任后缀 from pathlib import Path SIGNATURES = { b"\xd0\xcf\x11\xe0\xa1\xb1\x1a\xe1": "ole2", # 老版 .doc/.xls/.ppt b"PK\x03\x04": "zip", # docx/xlsx/odt b"{\\rtf": "rtf", # 富文本 b"%PDF": "pdf", # 误混入的 PDF } def sniff(path: Path) -> str: with path.open("rb") as f: head = f.read(8) for sig, name in SIGNATURES.items(): if head.startswith(sig): return name return "unknown" if __name__ == "__main__": for p in sorted(Path("raw").rglob("*.doc")): # rglob 会进子目录 print(f"{sniff(p):8s} {p}")

逻辑说明：startswith而不是==，因为 zip 后面还有版本字节。参数说明：目录按区县或年份分了子目录时用rglob，平铺结构用glob就够；read(8)这个数字别改成read()，19 个文件无所谓，上千份时差异明显。

2.2 LibreOffice 无头模式批量转换

手工另存为 19 次没有意义。soffice --headless --convert-to是这条链路里最稳的一段，坑集中在一个地方：同一台机器上多个转换进程抢同一个用户配置目录，第二个进程会静默失败，输出目录里少几个文件，你还以为是源文件坏了。

#!/usr/bin/env bash # convert_all.sh —— 批量转 docx，每个进程独立 profile 避免互锁 set -euo pipefail SRC="raw"; OUT="docx"; LOG="convert.log" mkdir -p "$OUT" find "$SRC" -name '*.doc' -print0 | while IFS= read -r -d '' f; do base=$(basename "$f" .doc) # -env:UserInstallation 是关键参数，profile 目录必须唯一 timeout 120 soffice --headless --norestore \ -env:UserInstallation="file:///tmp/lo_$$_${base}" \ --convert-to docx:"MS Word 2007 XML" \ --outdir "$OUT" "$f" >>"$LOG" 2>&1 \ && echo "OK $base" \ || echo "FAIL $base" done

逻辑说明：--convert-to docx:"MS Word 2007 XML"显式指定过滤器，避免转换器按默认目标格式猜错。timeout 120兜住个别排版复杂的卷子卡死的情况。--norestore关掉崩溃恢复弹窗，无头模式下这个弹窗会挂住进程。参数说明：file:///tmp/lo_$$_${base}里的$$是 shell 进程号，保证并发时 profile 不撞车。转换完执行一次ls docx | wc -l与源文件数量对账，数量对不上就翻convert.log。

提示：如果卷子里有大量公式域或者嵌入的图片文本框，转换后段落顺序可能错乱，这类文件单独挑出来人工看一眼。

2.3 清洗：全角字符、不可见空白与私用区字符

转换出来的文本里混着不少"看着一样、比较起来不等"的字符。中文标点全角是常态，但题号后面的间隔符可能被 Word 自动替换成半角点、全角点或者顿号，三种形态都出现过。搜索替换时用一条正则覆盖全部变体，比逐字符判断省事。

import re, unicodedata CLEAN = [ (re.compile(r"[\u00a0\u200b\u200c\u200d\ufeff]"), ""), # NBSP/零宽字符 (re.compile(r"[\ue000-\uf8ff]"), ""), # 私用区残留符号 (re.compile(r"[ \t\u3000]+"), " "), # 连续空白归一 (re.compile(r"\n{3,}"), "\n\n"), ] def clean(text: str) -> str: text = unicodedata.normalize("NFKC", text) # 全角字母数字转半角 for pat, rep in CLEAN: text = pat.sub(rep, text) return text.strip()

逻辑说明：NFKC归一化会把全角字母、全角数字统一成半角，但不会动中文标点，这一点正合需要——题号里的．要保留到下一章的状态机里去判断。参数说明：私用区\ue000-\uf8ff常常是 Word 的自动编号符号或特殊项目符号，留着重会影响题号正则的匹配。注意NFKC也会把㈠这类字符展开成(一)，如果卷子里真有带圈序号，得在归一化之前单独抽出来。

3. 用 python-docx 拆出题干、选项、答案与解析

转换后的 docx 是可解析的 XML，段落顺序基本等于阅读顺序。真正的麻烦在于：卷面结构靠视觉层级区分（大题加粗居中，小题左缩进），而 XML 里这些信息退化成了"都在段落里"。所以只能靠文本里的编号模式反推层级，这就是状态机要做的事。

3.1 段落流里恰好保留了题号

先看这份卷子的实际排版特征：大题是一、积累与运用，小题是1．下列句子中加点词语使用不正确的一项是（ ）。，选项是A．伊丽莎白落落大方……。三层的编号模式互不冲突，用三条正则就能区分。但有个陷阱：阅读理解的材料正文里也常出现"1."这种数字加点的写法（年份、序号、法条），所以选择题号时要加长度和上下文限制——题干段落通常不超过 80 字，且后面跟着提问词。

# parse_paper.py —— 按题号状态机切分单个 docx import re from docx import Document SECTION_RE = re.compile(r"^([一二三四五六七八九十]+)\s*[、.．]\s*(\S.{0,15})$") QNO_RE = re.compile(r"^(\d{1,2})\s*[、.．]\s*(.+)$") OPT_RE = re.compile(r"^([A-D])\s*[、.．]\s*(.+)$") def parse_docx(path): doc = Document(path) sections, cur_sec, cur_q = [], None, None for para in doc.paragraphs: text = para.text.strip() if not text: continue sec = SECTION_RE.match(text) if sec: # 大题行，长度受控 cur_sec = {"name": sec.group(2), "questions": []} sections.append(cur_sec) cur_q = None continue q = QNO_RE.match(text) if q and cur_sec is not None: cur_q = {"no": int(q.group(1)), "stem": q.group(2), "options": [], "answer": "", "analysis": ""} cur_sec["questions"].append(cur_q) continue opt = OPT_RE.match(text) if opt and cur_q is not None and len(text) < 200: cur_q["options"].append(f"{opt.group(1)}．{opt.group(2)}") continue if cur_q is not None: # 续行，粘回题干 cur_q["stem"] += text return sections if __name__ == "__main__": for sec in parse_docx("docx/2021JD-03.docx"): print(sec["name"], len(sec["questions"]))

逻辑说明：SECTION_RE里的\S.{0,15}是个廉价但有效的长度闸门，避免把正文里自然段的"一、二、三"误判成新大题。OPT_RE后面加了len(text) < 200，是因为选项一般短，而正文里以 A. 开头的英文段落会被误吞。参数说明：QNO_RE里的[、.．]同时覆盖顿号、半角点、全角点三种写法，缺一种就会漏题——这份卷子用的是全角点．，换个区县可能就变成顿号。

3.2 加点的字、下划线这类格式信息会丢

第 1、2、5 题都是"下列句子中加点词语使用不正确的一项是"，"加点"在 Word 里是着重号或者字符底纹，属于 run 级属性。只取para.text得到的是纯文本，加点位置全部消失，题目就废了——学生看不到哪个词被加点，老师也没法据此生成答案解释。

常见做法是遍历paragraph.runs，检查run.font上的强调属性，把带格式的片段用标记包起来。

from docx import Document def mark_emphasis(para): """把带着重号/下划线/加粗的片段用 [[ ]] 包起来，保留考点位置""" out = [] for run in para.runs: t = run.text if not t: continue f = run.font hit = (f.emphasis is not None) or bool(f.underline) or bool(f.bold) out.append(f"[[{t}]]" if hit else t) return "".join(out)

逻辑说明：f.emphasis对应 Character Emphasis Mark，中文排版里的"着重号"就存在这里，值可能是None，所以用is not None判断而不是布尔判断。参数说明：f.underline在 docx 里是个三态值，普通下划线返回True，没有下划线返回None，bool()转换后行为正确。这套标记会污染纯文本检索，所以入库时建议拆成两列：stem存干净文本，stem_marked存带标记版本。

注意：部分转换后的文件会把着重号转成字符底纹或者颜色，emphasis抓不到，得加一层run.font.highlight_color的兜底判断。

3.3 从文末参考答案里对齐答案与解析

这份卷子把答案和解析集中放在文末，格式是参考答案一、积累与运用1、B【解析】……2、C【解析】……——注意，多道题的答案挤在同一个段落里，按段落切是不行的，必须按题号再切一次。而且答案是"1、B"这种压缩写法，不是每题一段。这是整条链路里最容易出错的一段。

做法是先按大题关键字把答案区粗切成块，再在块内用题号做前瞻分割。

import re # 答案区特征：以"参考答案"起头，之后单行内串联多条答案 ANS_BLOCK = re.compile(r"参考答案(.*)", re.S) # 题号后跟任意字符，直到下一个题号或字符串结束 ANS_ITEM = re.compile(r"(\d{1,2})[、.．](.*?)(?=\d{1,2}[、.．]|$)", re.S) PARSE_SPLIT = re.compile(r"【解析】(.*)$", re.S) def parse_answers(raw: str) -> dict: m = ANS_BLOCK.search(raw) if not m: return {} body = m.group(1) result = {} for no, chunk in ANS_ITEM.findall(body): chunk = chunk.strip() ans, ana = chunk, "" sp = PARSE_SPLIT.search(chunk) if sp: ans = chunk[:sp.start()].strip() ana = sp.group(1).strip() result[int(no)] = {"answer": ans[:20], "analysis": ana} return result

逻辑说明：前瞻断言(?=\d{1,2}[、.．]|$)保证切分点落在下一个题号之前，但不消费它，避免漏掉相邻题。result[int(no)]用字典按题号对齐，所以即使答案区里题号缺号或者重号，也不会错位到别的题上——这一点比按顺序 zip 更安全。参数说明：ans[:20]截断是因为有些题号后面紧跟着一长串解析文字，没有【解析】标记时可读性差，截断后人工复审一眼就能发现。对齐完成后跑一次一致性检查：题干以"下列……不正确"结尾的选择题，答案必须是单个字母；答案区里答非所问的，八成是切分点漂移了。

4. SQLite FTS5 加 jieba 建本地题库存检索

19 套卷子手工翻当然能看，但"把所有考病句的题挑出来"这种需求，翻起来就是折磨。语料规模不大（19 套 × 20 多题 = 500 题上下），SQLite 完全够用，装上就能跑，不用起服务。

4.1 表结构：正文一列、检索一列

原始文本和分词文本要分开存。分词结果是给人看不见的中间产物，混进stem会让导出试卷时出现"下列 句子 中 加点 词语"这种断词。用一个 JSON 字段存选项，比再开一张表简单得多。

-- schema.sql CREATE TABLE questions ( id INTEGER PRIMARY KEY, set_id TEXT NOT NULL, -- 套卷编号，如 2021JD-03 section TEXT NOT NULL, -- 大题名：积累与运用/阅读/写作 qno INTEGER NOT NULL, stem TEXT NOT NULL, options TEXT, -- JSON 数组 answer TEXT, analysis TEXT, tags TEXT, -- 逗号分隔考点标签 UNIQUE(set_id, section, qno) ); -- 独立 FTS5 表，rowid 与 questions.id 对齐 CREATE VIRTUAL TABLE questions_fts USING fts5( stem_seg, analysis_seg, tags_seg, tokenize = 'unicode61' );

逻辑说明：UNIQUE(set_id, section, qno)让重复导入变成INSERT OR IGNORE直接跳过，不用写去重逻辑。FTS5 用独立表而不是content=外部内容表，是因为要写入的是 jieba 分词后的文本，跟主表内容不一致，外部内容表会要求两者严格对应，反而麻烦。参数说明：tokenize = 'unicode61'对中文是按 Unicode 字符类别切的，切出来是单字，配合预分词空白分隔，检索就变成了词组级。

4.2 预分词写入与 MATCH 查询

jieba 的默认词典对语文教学场景缺词，"文言实词""语言运用""名著阅读"这些会被切散，所以先补自定义词典，再统一分词入库。

import json, sqlite3, jieba jieba.load_userdict("dict_yuwen.txt") # 每行一词：病句 / 字音字形 / 诗词鉴赏 … conn = sqlite3.connect("yuwen.db") def seg(text: str) -> str: return " ".join(w for w in jieba.lcut(text or "") if w.strip()) for qid, stem, analysis, tags in conn.execute( "SELECT id, stem, IFNULL(analysis,''), IFNULL(tags,'') FROM questions"): conn.execute( "INSERT INTO questions_fts(rowid, stem_seg, analysis_seg, tags_seg) " "VALUES (?,?,?,?)", (qid, seg(stem), seg(analysis), seg(tags))) conn.commit()

逻辑说明：rowid显式绑定questions.id，后面 JOIN 时直接用。seg()里过滤空白，避免连续空格被 FTS5 当成空词项。参数说明：dict_yuwen.txt一行为一个词，按学科术语写就行；如果不补词典，语言运用会被切成语言/运用，用MATCH '语言运用'查的时候就漏了。

查询时注意 FTS5 的MATCH语法：OR必须大写，()用来分组，*做前缀匹配。查"病句、成分残缺、搭配不当"这类同族考点：

SELECT q.set_id, q.qno, q.section, snippet(questions_fts, 0, '[', ']', '…', 12) AS hint FROM questions_fts f JOIN questions q ON q.id = f.rowid WHERE questions_fts MATCH '病句 OR 成分残缺 OR 搭配不当' ORDER BY rank LIMIT 20;

逻辑说明：snippet()的第 2 个参数是列序号，0 对应stem_seg，高亮标记返回文本位置以便前端渲染。ORDER BY rank用 FTS5 内置的相关性排序，比按 id 排更符合"最相关先出"的直觉。参数说明：LIMIT 20在题量 500 左右的场景下够用，如果直接把 LIMIT 设得很大，snippet的重复计算会明显变慢。

4.3 按考点打标签，让检索变成筛选题

关键词检索能命中，但不好用——用户想找的是"所有考字音的题"，不是"包含'读音'两个字的题"。所以要在入库后跑一遍标签映射，把题干特征翻译成考点名，写进tags字段。

标签命中后，检索路径从"关键词匹配"升级为"考点筛选 + 关键词排序"，做专项训练卷时就按标签聚合，再随机抽题。

5. 相似题去重与组卷抽样校验

19 套同区同年的卷子，重合度比想象中高。第 9 题李益《诣红楼院寻广宣不遇留题》和第 10 题文言文比较阅读，在不同套卷里很可能只在选项顺序上做了微调。要组一份没有重复题的训练卷，得先能识别出"同一道题"。

5.1 用 SimHash 找近重复题

题干整段做哈希对短文本太敏感，一个字不同就完全不同。SimHash 把文本映射成 64 位指纹，再用汉明距离衡量相似度，对换词、调序这类改动宽容度较高，实现也就二十行。

import hashlib, jieba def simhash(text: str, bits: int = 64) -> int: weights = [0] * bits for word in jieba.lcut(text): h = int(hashlib.md5(word.encode("utf-8")).hexdigest(), 16) for i in range(bits): weights[i] += 1 if (h >> i) & 1 else -1 return sum(1 << i for i in range(bits) if weights[i] > 0) def hamming(a: int, b: int) -> int: return bin(a ^ b).count("1") # 汉明距离 <= 3 视为疑似同题，落库后人工复核

逻辑说明：加权累加时每出现一次词就 +1 或 -1，最终正位记 1、负位记 0，所以高频词对指纹影响更大，符合近重复检测的直觉。参数说明：阈值取 3 是经验值，题量小可以调紧到 2 减少误报，卷面文字越长（如整篇阅读材料）越应该放宽。注意 SimHash 对"选项顺序调换"不敏感，但对"换了一道阅读材料、题型相同"会判为不同，这正好符合需求——同题型不算重复题。

提示：去重前先把题干里的年份、学校名、"2021-2022学年"这类元信息剥掉，否则时间信息会拉低相似度。

5.2 抽 10 题回原文比对，把错位的答案拦在入库前

自动解析最怕的不是报错，是静默错位——第 7 题解析挂到了第 8 题下面，卷子看上去正常，答案对不上。抽样校验要固定查这几项：

抽样时不要只抽前几题——积累与运用部分的题号规整，出错率低；真正容易出问题的是文言文 перевод 和阅读理解后面那些跨段落的长题干。从每套卷的第 9 题往后各抽一题，10 分钟左右能覆盖全部套卷，比全量人工校对划算得多。

本文还有配套的精品资源，点击获取