简介：这份《临床医学五年制法医学课程教学大纲》面向临床医学专业五年制本科生及授课教师，可用于课前了解课程框架、复习考试或在教学中对照学时安排备课。大纲围绕法医学的基本理论、基本知识与基本技能展开，覆盖绪论、死亡与尸体现象、机械性损伤、机械性窒息、高温低温及电流所致损伤、猝死、强奸与杀婴、活体法医学鉴定、中毒、亲子鉴定、生物性检材个人识别等章节，并逐章列出目的要求、教学内容与重点难点，附有课程性质、教材与参考书、考核方式及学时分配。资源包内含1个PDF文件，整体约19KB，篇幅精简、便于打印与随身查阅，属提纲式文档而非教材正文。目前已有58人学习下载，适合临床医学学生复习备考及教师备课参考。
1. 一份 5 页教学大纲 PDF，为什么值得用程序拆一遍
教务老师把《临床医学五年制法医学课程教学大纲》发过来的时候，绝大多数人的第一反应是打开 PDF 复制粘贴进 Excel。5 页、课程编码 100105、30 学时 3 学分、12 个章节外加解剖录像和案例讨论，看上去半小时能收工。真动手才发现处处是坑：学时数写成全角的「（２学时）」，正文章标题标称的学时和末尾那张没有表格线的分配表可能对不上，「掌握 / 熟悉 / 了解」三档教学目标跟具体知识点的对应关系全埋在段落里，六条参考书目又是一行行没有分隔符的长串。
全角半角混排、无框线表格、章 / 节 / 条目 / 子条目四层编号叠在同一个页流里，这是 PDF 结构化抽取最容易翻车的组合。pdftotext 出来的纯文本人能读，但喂不进教务系统做学时学分对账，也没法切成检索片段进医学知识库。下面就把这 5 页当成一个真实的半结构化语料样本，从文本层判定一路做到结构化入库和切片检索。做教务系统对接、医学教育数据治理、或者要给课程大纲建检索索引的工程师，步骤可以直接抄。
2. 文本层判定与教学大纲版式解析
2.1 先确认这份 PDF 有没有文本层
扫描件和文本层 PDF 的处理路径完全不同，动手前必须先分流。
pdfinfo 法医学教学大纲.pdf # 看 Pages / Page size pdffonts 法医学教学大纲.pdf # 看嵌入字体，空输出≈扫描件 pdftotext -layout -f 1 -l 5 法医学教学大纲.pdf out.txt wc -l out.txt && head -40 out.txtpdfinfo确认页数和纸张尺寸，这份是 5 页。pdffonts列出所有嵌入字体，如果输出为空，基本可以判定是纯图像扫描，需要走 OCR 分支。pdftotext -layout保留版面空白，是判断「有没有可用字符流」最快的办法：中文能正常读出、栏位没串行，说明文本层质量可用。
注意：
pdffonts有字体但pdftotext出来是乱码或缺字，多半是字体子集没带 ToUnicode CMap。这种情况不要反复调 pdftotext 参数，直接换 pdfplumber 取字符坐标，或者降级 OCR。
2.2 用 pdfplumber 拿字符坐标重建行
纯文本丢掉了 x/y 坐标，而版式信息（哪一列、哪个层级）恰恰藏在坐标里。
import pdfplumber from collections import defaultdict def iter_lines(page, y_tol=2.5, x_tol=1.5): """按字符纵坐标聚类成行，行内按横坐标排序拼接。""" words = page.extract_words(use_text_flow=False, keep_blank_chars=False, x_tolerance=x_tol, y_tolerance=y_tol) rows = defaultdict(list) for w in words: rows[round(w["top"] / y_tol)].append(w) # 纵坐标量化成桶 for key in sorted(rows): row = sorted(rows[key], key=lambda w: w["x0"]) # 行内从左到右 yield key * y_tol, row, "".join(w["text"] for w in row)逻辑说明：extract_words已经做了初步成词，但中文 PDF 的词切分经常把「第一章」和「绪论」拆成两个 word，所以行内拼接时不加空格，靠后面的归一化再补。y_tolerance控制同一行的判定阈值，中文正文行距通常在 14～20pt，取 2.5 比较稳；如果 PDF 有轻微旋转或字块基线浮动，可以放大到 3.5，代价是相邻两行可能被并成一行。
参数上还有一个容易忽略的点：x_tolerance调大会把「30/ 3」这种中间带空格的字段粘成一个词，调小又会把「教学时数」拆开。实测这套文档 1.5 是平衡点。真正的兜底手段是后面按 x 坐标区间分列，而不是指望x_tolerance。
2.3 全角数字、断行章节号和散落编号的归一化
原始文本里有大量非规范写法，先归一化再写正则，能省掉一半的匹配分支。
import re FULLWIDTH = str.maketrans("０１２３４５６７８９（）．，；：", "0123456789().,;:") CN = "一二三四五六七八九十" def normalize(line: str) -> str: s = line.translate(FULLWIDTH).replace("\u3000", " ") s = re.sub(r"(?<=[\u4e00-\u9fa5])\s+(?=[\u4e00-\u9fa5])", "", s) # 中文词间多余空格 s = re.sub(r"第([" + CN + r"]{1,3})章", r"第\1章 ", s) # 章号后补空格 s = re.sub(r"^[．.·]*\s*(\d{1,2})\s*[．.]\s*", r"\1. ", s) # 行首残号修复 return s.strip()归一化前后的典型对照：
| 原始形态 | 出现位置 | 处理规则 | 结果 |
|---|---|---|---|
| （２学时） | 章标题末 | 全角转半角 | (2学时) |
| 第一章绪 论 | 章标题 | 章号补空格 + 去字间空格 | 第一章 绪论 |
| ．5．法医学史 | 教学内容条目 | 剥离行首残留圆点 | 5. 法医学史 |
| 30/ 3 | 课程信息头 | 斜杠后去空格 | 30/3 |
| 解剖录像（２学时） | 无章号段落 | 补虚拟章次 13 | 13. 解剖录像 |
最后一行的「解剖录像」和「案例讨论」在原文里没有章号，但占独立学时，必须补上虚拟章次，否则学时对账时会漏掉 4 个学时。
有了归一化，行类型判定就可以用一组短正则：
| 行类型 | 正则 | 示例 |
|---|---|---|
| 章标题 | ^第[一二三四五六七八九十]+章 | 第三章 机械性损伤 |
| 小节标签 | ^【(目的与要求|教学内容|重点与难点)】 | 【重点与难点】 |
| 目标条目 | ^\d{1,2}\.\s*(掌握|熟悉|了解) | 1. 掌握脑死亡的概念 |
| 学时括号 | （(\d+)\s*学时） | （3 学时） |
2.4 课程信息头与参考书目的切分锚点
文档开头这一段是真麻烦。教材行原文是「法医学人民卫生出版社王保捷2001 年 9 月第 3 版」，书名、出版社、主编、出版时间四个字段完全没有分隔符。硬用正则拆不出来，可行的做法是拿出版社做锚点。
PRESS = r"(人民卫生出版社|科学出版社|上海科学技术出版社|北京大学医学出版社)" def split_book(line: str): m = re.search(PRESS, line) if not m: return {"title": line, "press": None, "rest": None} return { "title": line[:m.start()].strip(), # 锚点左侧是书名 "press": m.group(1), "rest": line[m.end():].strip(), # 右侧是主编+年月+版次 } def parse_rest(rest: str): year = re.search(r"(\d{4})\s*年", rest) month = re.search(r"(\d{1,2})\s*月", rest) ed = re.search(r"第\s*(\d+)\s*版", rest) author = rest[:year.start()].strip() if year else rest return {"author": author, "year": int(year.group(1)) if year else None, "month": int(month.group(1)) if month else None, "edition": int(ed.group(1)) if ed else None}思路是「先锚定出版社，再在右侧串里锚定年份」。主编名一定在出版社和年份之间，年份和版次之间有固定中文串，这两段锚点比任何通用分词都稳。参考书目六条会得到书名、出版社、主编、年月的结构化结果，后续做教材版本比对或者书目去重都能直接用。
3. 学时分配表结构化：从有线表格到坐标聚类
3.1 extract_tables 在无框线表上为什么失灵
pdfplumber 的extract_tables默认按线框（lines）或文字边缘（text）来推断单元格边界。这份大纲末尾的分配表没有完整的可见边框，直接调会返回空表，或者把「章次」和「教学内容」两列粘成一格。
import pdfplumber with pdfplumber.open("法医学教学大纲.pdf") as pdf: page = pdf.pages[-1] print(page.extract_tables()) # 依赖线框 print(page.extract_tables({"vertical_strategy": "text", "horizontal_strategy": "text"})) # 依赖文字边缘两种策略都拿不到结构时，不要再调text_tolerance之类的参数，直接退到坐标聚类。原因是这张表右侧「2（2/0）」这种字段本身没有空白分隔，文字边缘策略会把理论学时和实验学时判成一个单元格，越调越乱。
3.2 按表头锚点做三列聚类的落地方案
关键是不写死 x 阈值，而是从表头词的坐标算出分栏边界，换纸张尺寸也不会崩。
def parse_hours_table(page, lines): # 1) 定位表头行，取三个表头词的起点 head_idx = next(i for i, (_, _, t) in enumerate(lines) if "教学时数" in t) _, head_words, _ = lines[head_idx] anchors = sorted((w["x0"], w["text"]) for w in head_words) c1 = next(x for x, t in anchors if t.startswith("章")) c2 = next(x for x, t in anchors if t.startswith("教学")) c3 = next(x for x, t in anchors if t.startswith("教学时") or "时数" in t) b12, b23 = (c1 + c2) / 2, (c2 + c3) / 2 # 取中点作分栏边界 rows = [] for _, words, text in lines[head_idx + 1:]: if "合计" in text: break cols = {0: [], 1: [], 2: []} for w in words: idx = 0 if w["x0"] < b12 else (1 if w["x0"] < b23 else 2) cols[idx].append(w["text"]) rows.append({"chapter_no": "".join(cols[0]).strip(), "title": "".join(cols[1]).strip(), "hours_raw": "".join(cols[2]).strip()}) return rows逻辑说明：表头三个词的水平起点天然把表格切成三栏，中点就是最安全的分界线。此后每一行的 word 只要落到哪个区间就归哪一栏，"".join不加空格，因为中文单元格本身就是连写。
参数说明：hours_raw里的"2（2/0）"要再抽一次数字。括号内的「理论/实验」分子分母都是 0 的实验学时，说明这门课全程无实验，这一点在后续统计里很重要——它决定了学时校验时加不加实验项。
import re def parse_hours(raw: str): m = re.match(r"(\d+)\s*[（(]\s*(\d+)\s*/\s*(\d+)\s*[)）]", raw) if not m: return None return {"total": int(m.group(1)), "theory": int(m.group(2)), "lab": int(m.group(3))}3.3 正文标称学时与分配表学时对账
这一步是整条链路最有价值的产出，因为它能直接暴露文档本身的不一致。
def hours_from_body(lines): out = {} for _, _, t in lines: m = re.match(r"^第([一二三四五六七八九十]+)章\s*(.+?)（(\d+)\s*学时）", t) if m: out[cn2int(m.group(1))] = (m.group(2).strip(), int(m.group(3))) return out def reconcile(body, table): diff = 0 for no, (title, h_body) in sorted(body.items()): row = next((r for r in table if r["chapter_no"] == str(no)), None) if row is None: print(f"[缺行] 第{no}章 {title}") continue h_tab = parse_hours(row["hours_raw"])["total"] if h_body != h_tab: print(f"[学时不一致] 第{no}章 {title}: 正文标题标 {h_body}，分配表 {h_tab}") diff += h_tab - h_body return diff跑完这份大纲，结果如下：
| 章次 | 章名 | 正文标称 | 分配表 | 一致 |
|---|---|---|---|---|
| 1 | 绪论 | 2 | 2 | 是 |
| 2 | 死亡与尸体现象 | 3 | 3 | 是 |
| 3 | 机械性损伤 | 3 | 3 | 是 |
| 4 | 机械性窒息 | 3 | 3 | 是 |
| 5 | 高温、低温及电流所致损伤与死亡 | 1 | 1 | 是 |
| 6 | 猝死 | 1 | 1 | 是 |
| 7 | 强奸、杀婴 | 1 | 1 | 是 |
| 8 | 活体法医学鉴定 | 3 | 2 | 否 |
| 9 | 中毒 | 3 | 3 | 是 |
| 10 | 亲子鉴定 | 2 | 2 | 是 |
| 11 | 生物性检材的个人识别 | 2 | 2 | 是 |
| 12 | 医疗纠纷 | 3 | 3 | 是 |
第八章正文标题写「（3 学时）」，分配表写 2 学时，差 1。这个差值不是噪声，而是口径问题的信号：把 12 个正课章按分配表求和是 26，加上「解剖录像」2 和「案例讨论」2 正好 30，与课程信息头的「30/3」吻合；按正文标称求和则是 27，加 4 得 31。
提示：学时校验必须先选定单一权威口径。稳妥做法是以分配表为准，把正文标称值单独存成
hours_body字段，两者都入库、不覆盖，让差异在报表里暴露出来，而不是在清洗阶段悄悄抹平。
4. 教学目标动词分级抽取与 JSON 落库
4.1 「掌握 / 熟悉 / 了解」三档在数据模型上怎么表达
教学大纲的骨架，其实是每个知识点挂一个认知层级。三档动词不是修辞，是可量化的教学要求，落库时应该映射成整数等级。
| 原文动词 | 认知层级 | level取值 | 典型误判 |
|---|---|---|---|
| 掌握 | 应用 / 分析 | 3 | 「熟练掌握」「重点掌握」需要归一到 3 |
| 熟悉 | 理解 | 2 | 段落中出现「熟悉」但属于上一级条目的续行 |
| 了解 | 记忆 / 识记 | 1 | 与「了解…有关内容」这种收尾句混在一起 |
| 鉴别 / 评估 / 推断 | 实操性掌握要求 | 3 | 常藏在句尾，不在条目首个动词位置 |
最后一行是最容易被漏掉的。像「生前溺死与死后抛尸入水的鉴别」这类内容，句子开头的动词可能是「掌握」，但真正的能力要求是「鉴别」，做检索或题库生成时需要额外把这类动词打上标签。
4.2 按条目编号切段，动词决定层级
LEVEL = {"掌握": 3, "熟悉": 2, "了解": 1} ITEM = re.compile(r"^(\d{1,2})\.\s*(掌握|熟悉|了解)(.*)$") STOP = ("【目的与要求】", "【教学内容】", "【重点与难点】") def parse_objectives(lines): objs, cur = [], None for _, _, raw in lines: t = normalize(raw) if t.startswith("【"): if t.startswith(STOP[0]): cur = None # 离开目的与要求区，停止续行拼接 continue m = ITEM.match(t) if m: cur = {"seq": int(m.group(1)), "verb": m.group(2), "level": LEVEL[m.group(2)], "text": m.group(3).strip("。；; ")} objs.append(cur) elif cur and cur["text"] and not re.match(r"^第.+章", t): cur["text"] += t.strip() # 续行拼回同一条目 return objs逻辑说明：ITEM只匹配行首编号加动词，避免把正文里的「1、」「1）」误吞。续行拼接的终止条件有两个——遇到下一个【标签】（用STOP[0]判断是否离开目标区）或遇到章标题正则。这两个边界缺一个，条目文本就会串到下一章去。
参数说明：normalize必须先跑，否则「．5．法医学史」这种带残留圆点的行会让ITEM直接漏匹配，导致条目编号出现空洞。跑完后建议加一条断言：同一章内的seq必须从 1 连续到 N，否则打印章号和缺失序号。
4.3 结构化 Schema 与 SQLite 落库
抽出来的东西建议先落成 JSON 做中间态，方便人工抽查，再入 SQLite 供查询。
{ "course": { "code": "100105", "name": "法医学", "en": "Forensic Medicine", "term": "学年第二学期", "credits": 3, "hours": 30, "type": "必修", "major": "临床医学五年制" }, "chapters": [ { "no": 2, "title": "死亡与尸体现象", "hours_body": 3, "hours_table": 3, "objectives": [ {"seq": 1, "verb": "掌握", "level": 3, "text": "脑死亡的概念及诊断标准，法医学的死亡分类、早期尸体现象、晚期尸体现象"}, {"seq": 2, "verb": "熟悉", "level": 2, "text": "死亡的概念、死亡的过程及超生反应、死后经过时间的推测"} ], "key_points": ["早期尸体现象", "晚期尸体现象"] } ] }CREATE TABLE course ( code TEXT PRIMARY KEY, name TEXT, en TEXT, term TEXT, credits INTEGER, hours INTEGER, type TEXT, major TEXT ); CREATE TABLE chapter ( course_code TEXT NOT NULL REFERENCES course(code), chapter_no INTEGER NOT NULL, title TEXT NOT NULL, hours_body INTEGER, hours_table INTEGER, PRIMARY KEY (course_code, chapter_no) ); CREATE TABLE objective ( course_code TEXT NOT NULL, chapter_no INTEGER NOT NULL, seq INTEGER NOT NULL, level INTEGER NOT NULL CHECK (level BETWEEN 1 AND 3), verb TEXT NOT NULL, content TEXT NOT NULL, PRIMARY KEY (course_code, chapter_no, seq) ); CREATE INDEX idx_obj_level ON objective (course_code, level);objective表用(course_code, chapter_no, seq)做复合主键，天然防重跑插入。hours_body和hours_table两列并存，正是为了保住第 3 章发现的那处 1 学时差异，让下游系统自己决定采信哪一列。
写入用executemany批量提交，5 页文档量级下没必要上 ORM：
import sqlite3 conn = sqlite3.connect("syllabus.db") conn.executemany( "INSERT OR REPLACE INTO objective VALUES (?,?,?,?,?,?)", [(code, ch, o["seq"], o["level"], o["verb"], o["text"]) for ch, objs in parsed.items() for o in objs]) conn.commit()入库之后的第一个实用查询，是看哪几章的「掌握级」要求最密集——这直接对应学生的复习权重：
SELECT c.chapter_no, c.title, SUM(CASE WHEN o.level = 3 THEN 1 ELSE 0 END) AS must_cnt, SUM(CASE WHEN o.level = 1 THEN 1 ELSE 0 END) AS know_cnt FROM chapter c JOIN objective o ON o.course_code = c.course_code AND o.chapter_no = c.chapter_no WHERE c.course_code = '100105' GROUP BY c.chapter_no, c.title ORDER BY must_cnt DESC;用SUM(CASE WHEN ...)而不是COUNT(*) FILTER，是为了兼容 3.30 以下的 SQLite 版本，教务系统里跑的旧版本比例不低。
5. 大纲结构化后的巡检规则与检索切片
5.1 四条能自动跑的巡检规则
结构化数据最大的价值是让文档缺陷变得可枚举。这套大纲跑下来，值得固化成定时任务的检查有四条：一是学时双口径差额，SUM(hours_table) + 4必须等于course.hours；二是章号连续性，虚拟章次 13（解剖录像）、14（案例讨论）之外不允许有空洞；三是目标条目完整性，任何一章的objectives为空即告警，通常是【目的与要求】标签被断行拆散了；四是重点难点对齐，key_points里的词应当能在同章objectives文本中找到至少一次子串命中。
def lint(course, chapters): issues = [] if sum(c["hours_table"] for c in chapters) + 4 != course["hours"]: issues.append(("学时合计", "分配表口径与课程总学时不符")) for c in chapters: if not c["objectives"]: issues.append((f"第{c['no']}章", "目的与要求区未抽到条目")) joined = " ".join(o["text"] for o in c["objectives"]) for kp in c["key_points"]: if kp not in joined: issues.append((f"第{c['no']}章", f"重点[{kp}]未出现在目标条目中")) return issues第四条规则在其它大纲上命中率意外地高，因为写大纲的人经常在正文里改重点，忘了同步到目标条目。
5.2 按「章 + 小节标签」切片，别按字数切
给医学知识库做切片时，固定字数切会把「掌握」的条目和「了解」的条目混进同一片，检索出来的上下文层级是乱的。正确做法是以章为外层、以标签为内层切，每片带上完整元数据。
def build_chunks(ch, max_len=320): chunks = [] for tag, items in (("objectives", ch["objectives"]), ("key_points", ch["key_points"])): buf = [] for it in items: text = it["text"] if isinstance(it, dict) else it meta = f"第{ch['no']}章 {ch['title']}" if isinstance(it, dict): meta += f" L{it['level']}" buf.append(f"{meta} | {text}") if sum(len(x) for x in buf) >= max_len: chunks.append("\n".join(buf)); buf = [] if buf: chunks.append("\n".join(buf)) return chunks元数据前缀里带L3 / L2 / L1是关键。学生问「哪些内容必须掌握」，用level=3做前置过滤再走向量召回，能有效滤掉「了解」级噪声——这批大纲里了解级条目占了将近一半，不过滤的话召回精度会掉得很难看。
提示：切片文本里保留「第X章 章名」前缀，还会顺带解决一个检索问题——同一门课里「鉴定」这个词在机械性损伤、机械性窒息、医疗纠纷三章都出现，没有章级前缀时向量距离几乎一样，模型分不清问的是哪一章。
一条可用的验证语句，查询「生前溺死与死后抛尸入水怎么鉴别」，正确命中应该是第四章的重点难点切片，元数据前缀为第4章 机械性窒息 L3。如果召回落到第五章「高温、低温及电流所致损伤与死亡」，说明切片里丢了key_points标签域，把两类「死后/生前」表述混在了一起——这个失败模式在只按章节切、不区分标签域的方案里几乎必然出现。
本文还有配套的精品资源，点击获取
