企业官网建设流程全解析

简介：这份PDF资料面向备战考研英语的考生及英语教学者，核心解决词汇记忆零散、长难句理解吃力、语法要点难以系统掌握等问题。全书精选考研真题中100个典型句子，通过核心词讲解、同义词与常考搭配归纳，串联起约5500个考研单词，并逐一剖析句子语法结构，帮助读者在语境中记词、在回译中理解句子。资源包共1个PDF文件，大小约3.05MB，内容完整、便于打印或移动端阅读。目前已有756人学习下载，适合需要系统攻克考研词汇与阅读长难句的中高级英语学习者。读者可借助书中句子反复进行英译中、中译英的回译训练，对照原句发现理解盲区，逐步掌握句子结构、语法要点与阅读长难句的方法，从而提升考研英语的词汇量与阅读速度。

1. 从一份 PDF 到一套可复现的词汇训练系统

一份名为「100个句子记完5500个考研单词.pdf」的资料，核心思路并不神秘：用 100 个高度浓缩的长难句，把考研大纲里约 5500 个词全部覆盖进去。它的价值不在于「100 句」这个数字本身，而在于它把「背单词」从孤立记忆变成了语境记忆——每个词都挂在一个有语法结构的句子里，你记的不是词义，而是词的用法。但问题也恰恰出在这里：PDF 是静态的，句子是固定的，而每个人的遗忘曲线、薄弱词分布、复习节奏完全不同。直接拿 PDF 从头读到尾，大概率是前 20 句滚瓜烂熟，后 80 句永远停在收藏夹里。

我见过太多人把这类资料当成「读完就完事」的读物，结果三个月后只记得 abandon。真正能让这份 PDF 产生复利的方式，是把它拆成可检索、可标注、可间隔重复的数据层，再套一个轻量的本地训练流程。这篇文章要讲的，就是怎么把一份静态 PDF 变成一套你能每天跑、能看见进度、能针对薄弱词加练的词汇系统。适合已经有一份类似资料、但苦于「背了忘、忘了背」的考研人，也适合想用脚本把纸质资料数字化的开发者。

2. 把 PDF 拆成句子、词表与索引：数据层怎么建

2.1 先判断 PDF 是文本型还是扫描型

动手之前必须确认一件事：你手里的 PDF 能不能直接提取文字。文本型 PDF 用pdftotext或 Python 的pdfplumber就能拿到干净字符串；扫描型 PDF 本质是图片，必须先走 OCR，否则后面所有步骤都是空中楼阁。判断方法很简单，用pdftotext跑一下，看输出文件大小和内容。

# 文本型 PDF：输出会有可读文字，文件大小通常几十 KB 以上 pdftotext -layout "100个句子记完5500个考研单词.pdf" raw.txt wc -c raw.txt # 如果 raw.txt 只有几百字节或全是乱码，基本就是扫描型 head -c 500 raw.txt

逻辑说明：-layout参数保留原始排版，对后续按行切分句子很关键。如果输出为空或乱码，说明是扫描件，需要换 OCR 路线，常见做法是用ocrmypdf先做一层文字层，再走同样的提取流程。参数上，-layout比默认模式更适合句子类资料，因为它不会把多列内容混成一行。

2.2 用正则把 100 个句子切出来

拿到raw.txt后，下一步是定位句子边界。这类资料通常有固定格式：句子编号 + 英文原句 + 中文翻译 + 词汇注释。不同版本排版有差异，但编号模式一般逃不出「数字 + 点/、/空格」这几种。我一般先用正则粗切，再人工校验前 10 条。

import re with open("raw.txt", "r", encoding="utf-8") as f: text = f.read() # 匹配形如 "1." "2、" "03 " 的句子编号开头 pattern = re.compile(r'(?m)^\s*(\d{1,3})\s*[.、\s]\s*(.+?)(?=^\s*\d{1,3}\s*[.、\s]|\Z)', re.S) matches = pattern.findall(text) sentences = [] for idx, body in matches: body = body.strip() if len(body) > 20: # 过滤掉页码、页眉等短噪声 sentences.append({"id": int(idx), "raw": body}) print(f"切出 {len(sentences)} 条") for s in sentences[:3]: print(s["id"], s["raw"][:80])

逻辑说明：(?m)开启多行模式，^才能匹配每行开头；(?=...)是前瞻断言，用来在下一个编号出现前截断，避免把两句粘在一起。re.S让.能跨行匹配，因为一个长难句可能占多行。参数上，len(body) > 20这个阈值需要根据实际排版调，太小会混入页码，太大会漏掉短句。切完后一定要打印前几条肉眼确认，正则切分翻车是常态。

2.3 从句子中抽词并去重，建立词表索引

句子切好后，接下来要把每句里的考研词抽出来。这一步不需要完美分词，因为考研词表是已知的——你可以先准备一份大纲词表（常见做法是从公开大纲整理成words.txt，每行一个词），然后用集合匹配的方式标注每个句子覆盖了哪些词。

import re from collections import defaultdict # 加载大纲词表，统一小写 with open("words.txt", "r", encoding="utf-8") as f: vocab = set(w.strip().lower() for w in f if w.strip()) def tokenize(s): return re.findall(r"[a-zA-Z][a-zA-Z\-']+", s.lower()) word_to_sent = defaultdict(list) sent_to_words = {} for s in sentences: tokens = set(tokenize(s["raw"])) hit = tokens & vocab sent_to_words[s["id"]] = sorted(hit) for w in hit: word_to_sent[w].append(s["id"]) # 输出覆盖统计 covered = len(word_to_sent) print(f"词表 {len(vocab)} 词，被句子覆盖 {covered} 词，覆盖率 {covered/len(vocab):.1%}") # 找出没被任何句子覆盖的词，这些是后续要补的缺口 missing = vocab - set(word_to_sent.keys()) print(f"未覆盖 {len(missing)} 词，示例：{list(missing)[:10]}")

逻辑说明：tokenize用正则抓英文词，保留连字符和撇号，避免把well-known拆成两个词。word_to_sent是倒排索引，后面做「按词查句」和「按句查词」都靠它。覆盖率统计是关键指标——如果覆盖率低于 90%，说明要么句子没切全，要么词表版本和资料不匹配。未覆盖的词单独存成missing.txt，这是你后续加练的重点。

2.4 落库：用 SQLite 存成可查询的三张表

数据量不大，SQLite 足够。建三张表：sentences存句子，words存词表，links存句子和词的关联。这样后面做查询、标记掌握度、导出 Anki 都方便。

import sqlite3 conn = sqlite3.connect("vocab.db") cur = conn.cursor() cur.executescript(""" CREATE TABLE IF NOT EXISTS sentences ( id INTEGER PRIMARY KEY, raw TEXT NOT NULL ); CREATE TABLE IF NOT EXISTS words ( word TEXT PRIMARY KEY, status INTEGER DEFAULT 0 -- 0 未学 1 模糊 2 掌握 ); CREATE TABLE IF NOT EXISTS links ( sentence_id INTEGER, word TEXT, PRIMARY KEY (sentence_id, word) ); """) cur.executemany("INSERT OR REPLACE INTO sentences(id, raw) VALUES (?, ?)", [(s["id"], s["raw"]) for s in sentences]) cur.executemany("INSERT OR IGNORE INTO words(word) VALUES (?)", [(w,) for w in vocab]) cur.executemany("INSERT OR IGNORE INTO links(sentence_id, word) VALUES (?, ?)", [(sid, w) for sid, ws in sent_to_words.items() for w in ws]) conn.commit() conn.close() print("入库完成")

逻辑说明：status字段是后面间隔重复的基础，0/1/2 三档足够轻量。links表的主键设计防止重复插入。入库后你可以直接用 SQL 查「包含某个词的所有句子」，比如SELECT s.raw FROM sentences s JOIN links l ON s.id = l.sentence_id WHERE l.word = 'abandon';。这一步做完，PDF 就从一个死文件变成了可编程的数据源。

3. 用间隔重复把 100 句跑成每日任务：调度层怎么做

3.1 为什么不用现成背词 App 的调度

现成 App 的调度算法是黑匣子，你无法控制「哪些词优先」「句子什么时候出现」。而这份资料的核心资产是句子，不是词。你需要的是「以句子为最小复习单元，但按词掌握度决定句子优先级」的调度。常见做法是自己写一个简化版 SM-2，只保留三个状态和两个间隔参数，够用且透明。

3.2 调度器的核心逻辑与代码

import datetime import sqlite3 conn = sqlite3.connect("vocab.db") cur = conn.cursor() def due_sentences(today, limit=10): # 优先取包含「未学/模糊」词最多的句子 cur.execute(""" SELECT s.id, s.raw, COUNT(*) AS weak_cnt FROM sentences s JOIN links l ON s.id = l.sentence_id JOIN words w ON l.word = w.word WHERE w.status < 2 GROUP BY s.id ORDER BY weak_cnt DESC, RANDOM() LIMIT ? """, (limit,)) return cur.fetchall() def update_word(word, quality): # quality: 0 忘记 1 模糊 2 掌握 cur.execute("SELECT status FROM words WHERE word = ?", (word,)) row = cur.fetchone() if not row: return old = row[0] if quality == 0: new = 0 elif quality == 1: new = max(0, old) # 保持或降级 else: new = min(2, old + 1) cur.execute("UPDATE words SET status = ? WHERE word = ?", (new, word)) conn.commit() today = datetime.date.today().isoformat() tasks = due_sentences(today, limit=10) for sid, raw, cnt in tasks: print(f"[{sid}] 薄弱词 {cnt} 个") print(raw[:120]) print("---")

逻辑说明：due_sentences的排序策略是「薄弱词密度优先」，这样你每天先啃最不熟的句子，而不是随机翻。update_word里 quality 为 0 时直接打回未学，为 2 时升一级，最多到 2。参数limit=10是每日句子量，建议从 5 开始，稳定后再加到 10。这个调度器不存复习时间戳，因为句子级复习靠的是词状态驱动，不需要额外的时间维度，简化后反而更容易坚持。

3.3 每日流程：读句、标词、更新状态

实际使用时，流程是：跑脚本拿到今日 10 句 → 逐句精读，遇到标注的词回忆词义 → 在命令行输入每个词的质量评分 → 脚本更新状态。为了减少输入负担，可以做一个交互式循环。

for sid, raw, cnt in tasks: print(f"\n=== 句子 {sid} ===") print(raw) cur.execute(""" SELECT w.word FROM links l JOIN words w ON l.word = w.word WHERE l.sentence_id = ? AND w.status < 2 """, (sid,)) weak_words = [r[0] for r in cur.fetchall()] for w in weak_words: q = input(f" {w} [0/1/2]: ").strip() if q in ("0", "1", "2"): update_word(w, int(q))

逻辑说明：只对status < 2的词提问，已掌握的词不再打扰。输入 0/1/2 对应忘记/模糊/掌握，回车跳过。这个循环每天花 15 到 25 分钟，100 句大约 10 到 15 天能过完第一轮，之后进入薄弱词驱动的第二轮。关键是update_word的降级逻辑要保守——模糊不降级，只有明确忘记才打回 0，否则状态会在 0 和 1 之间反复横跳，产生挫败感。

4. 避坑与排查：这套流程最容易翻车的五个地方

4.1 正则切分把两句粘成一句

现象：打印句子时发现第 5 句和第 6 句连在一起，中间没有编号。原因：原文里编号可能用了全角空格或特殊符号，正则没覆盖。解决：把pattern里的[.、\s]扩展为[.、\s\u3000]，并在切分后加一条校验——如果某条raw长度超过 800 字符，大概率是粘连，单独打印出来人工处理。

4.2 词表匹配把变形词漏掉

现象：句子里明明有running，但词表里只有run，导致这个词没被标注。原因：正则抓的是原形，没有做词形还原。解决：常见做法是引入nltk的WordNetLemmatizer，对每个 token 做一次还原再匹配。如果不想装依赖，可以维护一张小的变形映射表，覆盖-ing、-ed、-s这几类高频变形。

4.3 SQLite 并发写入报 database is locked

现象：一边跑调度脚本一边手动改状态，偶尔报锁错误。原因：SQLite 默认的写锁是排他的，两个进程同时写会冲突。解决：在连接时加timeout参数，sqlite3.connect("vocab.db", timeout=10)，让第二个写入等待而不是直接失败。更稳妥的做法是调度脚本和更新脚本不要同时跑。

4.4 每日任务量设太大导致放弃

现象：第一天设了 30 句，第二天就不想打开了。原因：句子是长难句，精读一句平均 2 到 3 分钟，30 句就是一个半小时，不可持续。解决：把limit降到 5，稳定两周后再加到 8 或 10。这套系统的目标是「每天都能跑」，不是「三天跑完」。

4.5 覆盖率统计虚高但实际没记住

现象：脚本显示覆盖率 98%，但做题时还是不认识。原因：覆盖率只说明词在句子里出现过，不代表你记住了。解决：把status为 2 的词单独导出，定期用SELECT word FROM words WHERE status = 2抽查，随机抽 20 个自测，如果正确率低于 80%，说明状态更新太宽松，需要把 quality 为 1 也纳入降级。

5. 进阶：把词表导出成可打印的薄弱词清单与自测卷

跑完几轮后，你会积累一批status为 0 和 1 的词。这些词才是你真正的提分空间。我一般会写一个导出脚本，生成两份东西：一份是按句子分组的薄弱词清单，用于精读；一份是纯词表自测卷，用于快速筛查。

import sqlite3 conn = sqlite3.connect("vocab.db") cur = conn.cursor() # 导出薄弱词清单，按句子分组 cur.execute(""" SELECT s.id, s.raw, GROUP_CONCAT(w.word, ', ') FROM sentences s JOIN links l ON s.id = l.sentence_id JOIN words w ON l.word = w.word WHERE w.status < 2 GROUP BY s.id ORDER BY s.id """) with open("weak_by_sentence.md", "w", encoding="utf-8") as f: for sid, raw, words in cur.fetchall(): f.write(f"### 句子 {sid}\n\n{raw}\n\n薄弱词：{words}\n\n") # 导出纯词表自测卷，每行一词，右侧留空写词义 cur.execute("SELECT word FROM words WHERE status < 2 ORDER BY RANDOM()") with open("self_test.txt", "w", encoding="utf-8") as f: for (w,) in cur.fetchall(): f.write(f"{w}\t________________\n") print("导出完成")

逻辑说明：GROUP_CONCAT把同一句的薄弱词拼成一行，方便打印后对照。自测卷用RANDOM()打乱顺序，避免按字母序产生位置记忆。\t加下划线是给手写留空间，打印出来就是一张可随身带的筛查表。这两份文件配合使用：先做自测卷，把仍然不认识的词在数据库里标回 0，再回到weak_by_sentence.md里精读对应句子。

一个我自己的习惯是每周日晚上跑一次导出，把自测卷打印出来，周一早上通勤时过一遍，把不认识的词用红笔圈出来，晚上回来批量更新状态。这样一周的薄弱词不会超过两页 A4，心理负担很小。这套流程从 PDF 提取到每日调度，核心代码不到 200 行，但能把一份静态资料变成跟着你走的训练系统。希望帮到你。

本文还有配套的精品资源，点击获取