企业官网建设流程全解析

很多老师第一次拿到整卷扫描件时，脑子里冒出来的方案是把PDF直接丢进文字提取工具里。我最初也这么干过，结果不出所料：文字倒是吐出来一大片，但题号、选项、答案混成一锅粥，图片全部丢失，排版顺序也乱了。后来我才想明白，这个需求真正要解决的并不是“识别出卷面上有什么字”，而是“让程序知道哪些字属于哪道题，哪些区域是题干、选项、填空和图片”。这也是“智能试卷解析系统”和普通OCR工具之间最本质的差别。

我前后用了大半年时间，从零搭了一套可用的试卷解析流程：输入是扫描件或手机拍摄的整卷照片，输出是按题目组织的结构化JSON，包含题号、题干、选项、答案、空白位置和图片资源。这套系统已经在一个教研平台里稳定跑了几个月，单张试卷从上传到解析完成大约十几秒，题目归属准确率能做到95%以上。如果你也在做题库建设、在线组卷或作业批改的前置环节，这篇文章可以把我的选型思路、实现细节和踩过的坑完整交给你。

1. 整卷解析的痛点和系统边界

1.1 一个看似OCR，实际是版面理解的任务

先抛一个反直觉的结论：OCR能力在整个系统里只占三成，剩下的七成功夫都花在“版面理解”上。

所谓版面理解，就是让程序回答几个问题：这一页卷子上哪些区域是标题，哪些是正文题干，哪些是选项区，哪些是填空线和图片；这些区域之间谁先谁后，谁能组成一道题；一道题的边界在哪里结束，下一道题从哪里开始。只有把这些顺序和隶属关系理清楚，OCR识别出来的文字才能落回正确的位置，最终生成一个可用的题目对象。

举个例子，一道选择题在卷面上通常是“题目序号+题干文字+四个选项”的组合，选项可能横排也可能竖排。如果只做整页OCR，得到的文本流是线性的，系统根本不知道选项A到选项D是同一道题的组成部分，更不知道它们和题干之间的归属关系。而做了版面解析之后，模型会先把“题干区域”和“选项区域”分别框出来，再从选项区域里按A、B、C、D的位置切割，最后把两段内容合并成同一道题。这一步的逻辑错位，是所有试卷解析系统最核心的难点。

1.2 先把系统边界画清楚

开始动手之前，我花了两天时间把需求和边界画清楚。这件事非常重要，因为试卷解析的诱人方向实在太多，不做限定很容易做成一个什么都想干、什么都不精的半成品。

我最终定义的边界是：系统接收扫描PDF或手机拍摄的整页图片，输出按题目组织的结构化数据；题目类型覆盖选择题、填空题、简答题；印刷体文字必须尽量完整保留；手写答案和数学公式不做深度理解，但要把它们裁剪出来并给出坐标和图片链接，交给下游人工或算法处理；不做客观题自动判分，也不做手写笔迹识别。

为什么这么切？因为在实际的业务场景里，最耗费人工的事情不是“看答案”，而是“把一道题从卷面上抠出来，整理成可检索的题库条目”。只要系统能把题目切分正确、文字提取到位，人工只需校对和补充语义信息，效率已经能提升非常多。至于手写答案识别、公式转LaTeX，这些要么准确率不够，要么投入产出比太低，在第一个版本里做了反而会把系统拖垮。

2. 扫描件到可检索文本的预处理与OCR选型

2.1 预处理四件套：去畸变、统一尺寸、二值化、清噪声

很多人忽略图像预处理对解析结果的影响，实际上这是性价比最高的一步。手机拍摄的卷子照片普遍存在透视畸变、光照不均、背景阴影，这些噪声对版面检测的干扰远大于对OCR的干扰。

我去畸变用的办法是检测卷面四角。大多数试卷是A3或A4纸，边缘是明显的矩形。借助一个开放的低层视觉算法库，提取图像边缘轮廓，然后筛选出最大矩形区域，再做透视变换把矩形拉正。这个步骤能解决大部分俯拍照片的形变问题。需要注意，拍摄时如果卷子有折叠痕迹，矩形检测会失败，这时候我会退回原始图像，不会硬做变换。

尺寸统一也很关键。版面检测模型对输入分辨率有要求，太小的图片会丢失题号、括号等小目标。我一般把最长边统一缩放为1800到2000像素，这样既能保证小字可识别，又不会让GPU显存爆炸。如果原图本身只有800像素宽，强行放大反而会引入锯齿，这种情况下我会保留原图尺寸，只做轻度锐化。

光照矫正是另一个高频问题。试卷照片常有半边亮半边暗的情况，我用自适应阈值代替全局二值化，局部窗口大小取图像宽度的十分之一，效果比简单灰度化好很多。扫描件的噪点通常是灰尘点，用中值滤波处理一遍即可；但手机照片的彩色背景不能直接暴力二值化，否则会把淡黄色的纸张纹理变成大量孤立噪点，影响后续的版面框回归。

2.2 OCR底座怎么挑：中文识别、坐标可信度、公式片段

OCR选型是我最早调研的部分。市面上开源OCR方案不少，但真正适合试卷场景的不多，我的筛选标准有三条。

第一，中文识别准确率必须高。试卷里大量使用“下列”“不正确”“综上所述”这类表述，如果OCR底座对中文长句的支持不好，后面合并题干时会反复出现添字漏字，人工校对成本直接翻倍。第二，必须能输出每个文字块的坐标，而且坐标要稳定。坐标不只是用来画框，还要用来做“哪段文字属于哪个版面区域”的空间判断，坐标一旦漂移，整个题目组装就会错位。第三，最好自带版面解析能力，或者能很容易跟版面模型配合，避免自己维护两套完全不相干的算法链路。

我最终选择的方案是以“中文识别的开源OCR底座”为主干，把整页OCR作为后置步骤，先跑版面检测拿到问题区域，再对每个区域针对性识别。这样做的原因是：整页OCR吐出来的文字块没有语义层级，我要的“题号下面跟着的几行字是同题的题干”这种结构，只有靠版面框才能组织出来。具体的OCR底座选型上，如果你是轻量场景，可以选用传统的开源OCR引擎，但更建议使用支持深度学习的中文识别模型，准确率和抗噪声能力都会好很多。

不推荐从头训练OCR模型，除非你有几十万张标注好的卷面数据。公开的预训练模型在通用中英文上已经足够，试卷字体又相对规整，微调的必要性不大。真要优化时，只需要针对试卷里常见的“括号内填序号”“√”“×”这类特殊字符做一些后处理映射即可。

2.3 先做版面解析再做OCR，还是先OCR再归类？

这两条路我都试过，直接说结论：必须先版面解析，再做区域OCR，不要反过来。

如果先整页OCR，再根据识别文字去推断题目区块，会遇到一个致命的性能问题：OCR识别出的文字块是没有结构的，即使按坐标合并，也拿不准“这是题目序号还是正文”，因为在文字层面两者没有任何区别。而且整页OCR计算量大，一页卷子可能出来几十个文字块，后续做坐标聚类、归属判断的时间比版面解析本身还长。

先做版面解析就顺畅得多。模型直接输出若干个语义框，比如“题干”“选项”“填空”“图片”，每个框自带类别和置信度。我只需要把框按阅读顺序排好队，再对每个框单独调用OCR，识别范围小、干扰少，准确率自然更高。更重要的是，版面解析给了我们一个稳定的“骨架”，即使某个框的OCR识别失败，也能把该区域单独裁剪出来交给人工处理，不会影响整体结构。

3. 把“题”从整页版面里切出来

3.1 用版面分析模型圈出题目区域

版面解析我一开始想用基于传统图像处理的方法，比如投影切分、连通域分析。对干净的一栏扫描件，这套办法确实有效；但试卷排版一复杂就崩，例如两栏混排、选项横竖不一、题间有插图，投影法的阈值很难统一。所以我转向了一个基于深度学习的版面分析模型。

模型选型上，我采用目标检测的思路，训练了几个目标类别：标题、题干、选项、填空区、图片、答题区。类别不用太多，太细反而增加标注成本。训练数据是最花时间的部分，我从公开渠道收集了上千张试卷图片，再用标注工具逐张框出区域。说实话这个工作量很大，我后来写了一个半自动脚本：先用预训练版面模型跑一遍初始框，人工只修边界和漏检，标注效率提升了两三倍。

如果不想自己训练，也可以先用公开的版面分析模型。市面上有几个开源版面分析模型在通用文档上表现已经不错，对试卷这种相对规整的纸质文档，直接推理也能用，只是对“选项区域”的识别偶尔会漏。我的建议是第一版先用现成模型跑通，等积攒了一批业务数据之后，再考虑微调，这样风险最低。

3.2 框的合并、排序和栏切分

版面模型输出的原始框往往比较碎。一个选项可能被拆成两个框，题干文字被横线隔开也会断开。所以后处理的第一步是合并。

我用的是基于阈值的重叠合并：两个框的交并比超过一定值时合并，同时把包围盒扩展一点，保证文字边缘不被切掉。合并阈值我调在0.3到0.4之间，太高会把相邻选项误并，太低又会留下碎框。

合并之后是阅读顺序排序。这里有个关键细节：试卷是二维排版，不能简单按y坐标从上到下排。两栏试卷在视觉上是左右并排的，如果直接按y排序，右栏的内容会跟左栏的内容交错，导致题序错乱。我的做法是：先按x坐标把所有框粗略分成左中右几栏，栏内再按y坐标从上到下排序，最后按栏序拼接。这个逻辑虽然笨，但极稳，一台普通CPU上就能跑，不需要额外训练模型。

排序之后是“题号锚定”。每道题开始通常会有一个题号，比如“1．”“2.”或者“（1）”。我会用规则从OCR文本里找出形如题号的内容，把它作为一道题的起点。接下来要解决的是“这个题号后面的区域，哪些归它”。我用一个简单的贪心策略：按排序顺序扫描版面框，遇到新的题号就开启一个新题，后续的题干、选项、图片框都并入当前题，直到遇到下一个题号为止。对于题号漏检的情况，我在后续环节又做了兜底，这里先不展开。

3.3 找不到题号时的兜底切分策略

真实试卷上题号漏检几乎是必然的。有些试卷题号用了带圈数字，OCR识别不了；有些试卷把题号藏在了底纹里，版面模型把它当成了背景。

我的兜底策略有两层。第一层是“体积启发法”：如果某一道题的题干区域面积特别大，比如占了一页长度的三分之一以上，而且前面没有新题号出现，就判断它可能是简答题的题干，理应自成一道题。第二层是“折行边界法”：当版面框出现明显的纵向空隙，空隙宽度超过行高的两倍，就认为前一道题已经结束。这个办法对简答题之间的间隔很有效，但对选择题连续排列的卷面，还是需要题号作为锚点。

遇到实在无法自动判断的情况，我的原则是“宁可分错，不可漏题”。一旦把两道题并成一道，后面的题库录入就会缺一条题目，人工排查成本更高。所以我宁可切多一道，让人工合并，也不让它吞题。这条原则在验收时帮了大忙，系统报告里的题数永远不小于人工统计的题数。

4. 答案识别与结构化导出

4.1 输出JSON的字段设计

题目切好后，接下来是结构化导出。这是接口设计最关键的环节，因为下游题库系统要消费这些数据，字段定义得不清晰，后面接入时就要反复改。

我最终采用的数据结构大致长这样：

{ "page_id": "exam_20250301_01", "items": [ { "item_id": 1, "question_no": "1", "type": "choice", "stem": "下列哪个选项是正确的？", "options": [ {"label": "A", "content": "第一项"}, {"label": "B", "content": "第二项"} ], "answer": "", "blank": null, "image_urls": [], "confidence": 0.92 } ] }

字段设计上，我把question_no和item_id分开。question_no是卷面上的原始题号，可能是“1”也可能是“（1）”，保持原样不加工；item_id是系统内部的自增序号，用于处理题号不连续或漏检的情况。type字段维护了choice、fill、short_answer三种类型，由题型分类模块填充。blank字段存填空题空白区域的位置信息，包括坐标和对应的裁剪图片URL，方便下游做填空批改或解析。

这个结构的最大好处是：即使某道题的OCR结果不完整，系统仍然能输出一个结构完整的item对象，只是某些字段为空。下游系统拿到后，可以走人工补全流程，而不是因为缺字段直接报错。

4.2 填空题和选择题的形态识别

题型判断我用了很轻量的方法，没有上分类模型。

选择题有一个显著特征：题干区域后面通常紧跟一个选项区域，且选项区域里包含A、B、C、D四个字母标识。我用版面模型的类别信息就够了——如果检测到“options”类别的框，就判定为选择题，再在选项框内按字母位置切割。竖排选项的切割稍微麻烦一点，但逻辑也简单：先把A、B、C、D字母的坐标找出来，按字母的顺序把内容切成四段。这里有个小坑：选项内容里可能也会出现“A.”“B.”这样的缩写，比如“A. 正确”，所以切割时应该只认独立字母+标点，不能对任意字母都触发切分。

填空题的识别主要靠“空”的位置特征。试卷上的填空题通常是短横线、括号或者连续空格。我会在版面模型的框里，设置一个后处理规则：检测连续水平线的线段，线段两侧都是文字区域，且长度超过两个字符的宽度，就判定为一个填空位。题目包含填空位则类型记为fill，再把每个填空位和题干的相对坐标记录下来。

如果一道题既有选项区又有填空线，我会优先当作选择题处理，因为这在现实卷面里通常意味着“选择并填空”的综合题，选项是主要结构。

4.3 手写答案与数学公式，别硬上OCR

这一点是我踩坑最深的结论：试卷解析系统不要试图把手写答案和数学公式完整识别出来。不是技术上完全不可行，而是准确率达不到业务可用标准，强行识别只会制造大量脏数据。

数学公式区域在卷面上往往有独立排版，公式里的分式、根号、上下标，用普通OCR识别会产生非常离谱的符号串。我的策略是：版面模型把公式区域标为“图片区”，不丢进OCR，而是裁剪成独立图片，在JSON里输出image_urls字段。下游如果需要LaTeX，可以用专门的公式识别模型单独处理，不会污染整道题的题干文本。

手写答案同理。批改过的卷面上有红笔痕迹，既影响印刷体OCR的准确率，又无法用普通OCR有效识别。系统识别到答题区域后，会把答题区背景压暗、把印刷体部分移除，只保留手写笔迹的裁剪图，方便后续进行手写识别或人工批注。这样处理，既保证了题库核心的印刷体文本干净，又为未来扩展留了口子。

5. 效果评估与真实场景里的坑

5.1 指标怎么设，才不算“自我感觉良好”

效果评估如果只看“能不能识别出文字”，会掩盖大量问题。我建立了一套多维指标来复盘系统性能。

第一是版面框的准确率。我把模型输出的框和人工标注的框做IoU匹配，IoU大于0.5算命中。命中率按类别分别统计，题干、选项、图片分开看。这部分低于90%的话，题目组装层面一定会出问题。第二是题目切分的召回率和精确率。以“人工确认的一道题”为单位，系统能完整输出这道题的题干、选项、答案，才算一个命中。召回率看的是有没有漏题，精确率看的是有没有把无关内容拼进题目。第三是OCR文字层面的准确率，我用字符错误率来评估，整卷统计下来多数时候在1%以下，但题目归属错误率才是关键指标，这一项必须控制在5%以内。

整个系统最影响体验的不是单字识别，而是“题号和题目内容张冠李戴”。排版一旦错位，最严重的后果是下游题库里出现几道题的语义完全颠倒，这种错误比丢字缺字更难发现。所以我会在测试集里专门构造各种带横排选项、竖排选项、两栏排版、插图的卷面，确保排序逻辑在这些情况下都能稳定。

5.2 最容易翻车的几种卷面

我统计了真实运行中翻车最多的几种卷面，如果你也要做类似系统，可以提前防范。

第一种是带复杂表头和页脚框线的试卷。版面框检测会把表格线误认为图片区域，导致选项和题干被割裂。我的解决办法是在预处理阶段增加一次线性检测，先识别长横线和竖线，把表格线结构从版面模型的输入里弱化。第二种是严重倾斜且带黑边的扫描件。黑边会让透视校正失败，我后来在校正前先做一个边缘裁剪，把黑色边框去掉再检测矩形。第三种是灰度低、对比度低的复印件。这类卷面二值化之后文字轮廓发虚，OCR效果明显下降。我在灰度化之后增加了一步对比度拉伸，把直方图两端压缩到5%到95%的分位点，文字边缘会清晰不少。

还有一个容易忽略的细节：有些试卷的题目序号不是连续的，比如跳过第5题，或第8题分成（1）到（5）的小题。如果只是简单按题号递增来判断切分，就会在下一次出现新题号时误判。我的处理是：每遇到一个“根题号”，就开启一道新题；遇到“子题号”（带括号的数字）则悬挂到当前根题下，作为子题处理。这套逻辑能适配大多数卷面。

5.3 兜底与人工修正的闭环

再好的自动系统也需要一个人工修正的接口。我的系统在解析完成后，会给每一个item输出一个confidence字段，数值在0到1之间。如果某道题的置信度低于0.75，或者版面框数量异常，系统会自动把它标记为“待人工复核”。人工复核界面直接展示原图裁剪和结构化文本，修改后提交，修正结果会回流到一个增量训练集里。

这个闭环的价值在于，随着时间推移，模型会越来越懂“这类卷面长什么样”。事实上，我后来做的大部分模型迭代，训练数据都来自在线人工修正回流的积累，而不是一开始精心标注的基准集。如果你准备做类似的系统，务必在设计之初就把修正漏斗规划进去，不然后面加会很痛苦。

6. 从单机脚本到可发布解析服务

6.1 异步任务队列与前端轮询

单机脚本只能本地调试，真正让系统可用，还得把它包成一个服务。我的第一版服务非常朴素：用Python的异步Web框架暴露一个上传接口，前端传了试卷图片后，服务端同步跑完整流程再返回结果。随着图片体积增大和并发请求变多，同步阻塞的问题越来越明显，一张大图解析十秒，三个请求同时进来，服务就卡死了。

后来我改成异步任务队列。上传接口只负责两件事：把原始文件存到临时空间，把解析任务推进队列里，然后立刻返回一个task_id。后端有一个独立的工作进程消费队列，每处理完一单就把结果写进状态表。前端拿task_id定期轮询，解析完成后再拉取结果。

这个改造做得非常值得。理论上一个队列进程就够了，后续如果业务增长，可以轻易地水平扩展多个worker分担解析压力。我建议就算前期预测流量很低，也提前按这个模式做，因为从同步改异步的迁移成本不低，极容易引入状态不一致的bug。

6.2 图片资源怎么存储，比想象中重要

解析过程中会产生大量中间图片资源：题目裁剪图、公式裁剪图、手写答案区域图。一开始我图省事，把图片以本地文件路径的形式塞进JSON返回，结果部署到多机环境立刻出问题。第一台机器产生的路径，第二台机器根本访问不到。

修正后的做法是：解析worker在处理完一张题目的图片后，立即把图片上传到对象存储服务，再把返回的URL写进JSON的image_urls字段。上传时按“试卷ID/题号/类型.png”的规则命名，这样下游系统一看文件名就知道这个图片属于哪道题，调试时非常直观。

踩过的一个坑是上传太频繁。一道题可能有三四张裁剪图，一份试卷十几道题，就是几十次请求。后来我把同试卷的全部裁剪图先缓存在worker本地，最后统一打包批量上传，耗时从秒级降到了毫秒级。

6.3 性能调参与后续扩展方向

解析速度是我后来优化的重点。最初完整解析一份试卷需要40秒左右，最耗资源的是版面模型推理，然后是整页OCR。我把图像最长边从2400像素降到1800像素，OCR速度提升了近一倍，而准确率几乎没受到影响。如果后续数据量继续增长，可以考虑将版面模型和OCR分别部署到GPU服务上，用异步调用拼接，能进一步压到5秒内。

在扩展方向上，我觉得最有价值的是做“题干重排”。很多试卷会使用两栏布局，解析时是按阅读顺序整理的，但有些题干的文字跨越了两个栏位，自动切分时会拆成两段。我现在使用的是基于排序的简单拼接，更稳妥的做法是引入学习式的文档图重建，不过这是下一个版本的事情了。

我最近还在做的另一个实验是返回结果前的自动校验：用一个轻量级语言模型把输出JSON里每题的结构化文本和原图做一个语义比对，逻辑上应该包含的选项个数、题号是否齐全、空格位置是否合理，都能提前筛一遍。这套基于规则的校验配合人工修正漏斗，让系统的最终可用率明显提升。如果你刚起步，优先把规则校验做好，比纠结训练更大的模型来得快。