附录 C 练习题

附录 C 练习题

章节摘要：十四道练习按基础（六题）、进阶（五题）、思考（三题）三档编排，覆盖第 6 至 11 章全部主题。只给提示不给答案——答案在你自己的机器上。示例对象一律用公开论文、开源文档与自制样张，遵守第 1 章的合规边界。

使用说明

• 基础题练「跑得通」，进阶题练「用得深」，思考题练「看得远」。
• 每题末尾的括号是对应章节；提示只指方向，不替你动手。

练习环境准备

开始做题前，准备一个干净的练习环境，一次到位能省去中途装依赖的中断：

practice/
├── sample/            样张：公开论文 PDF、自制文档、练习站页面
├── output/            各题产物：按题号建子目录
├── eval/              评测题用：gold 标注与评测配置
└── notes.md           做题笔记：踩坑记录与结论，比答案更值钱
​

三条准备纪律。样张全部用公开论文、开源文档与自制 PDF，不碰受保护文档（全书一以贯之的边界，第 1 章）；依赖按题安装而不是一次装全，感受每个工具的真实依赖体量；每题产物留在 output 对应子目录，思考题的结论写进 notes.md——练习的交付物是笔记与产物，不是「做过」的感觉。

各档完成标志，做完自查：

基础题

一：用 Scrapy 爬取公开练习站 quotes.toscrape.com 全站，把清洗、内容指纹去重、JSONL 落盘三段管道补齐，统计去重命中率。提示：先用重复标签制造同文异址样本，验证指纹去重真的生效。（第 6.1 节）

二：找一篇双栏排版的公开学术论文 PDF，用 PyMuPDF 分别按内部对象顺序与坐标分栏两种方式提取第一页文本，逐句对比差异。提示：挑公式与图表附近的段落，乱序最明显。（第 7.1 节）

三：写一个分流脚本，对一份混合 PDF（部分页原生文本、部分页扫描）逐页输出路由判定，统计两类页数。提示：字符数阈值取 64 起步，再试 32 与 128 观察边界页的归属变化。（第 7.2 节）

四：用 MinerU 解析一份含表格与公式的公开中文论文，对照原文逐项检查标题层级、表格完整性、公式定界、图片引用四要素，把问题记进治理日志。提示：先跑第 8.2 节的两个校验脚本，再看人工项。（第 8.1、8.2 节）

五：用 docling 把同一份 PDF、一份 DOCX、一份 PPTX 转成 Markdown，统计三种输入的节点类型分布差异。提示：iterate_items 的 label 就是类型标签。（第 9.1 节）

六：对任意一份解析产物 Markdown 实现结构切分，输出块的长度分布直方图（手绘或脚本皆可）。提示：看超长块都来自什么内容——多半是表格或长代码。（第 10.2 节）

进阶题

七：给第 6 章的 LLM 管道加令牌桶限流，做一次「并发 4 与并发 16」的对照：记录吞吐、失败率与模型侧限流报错次数。提示：失败要分类计数，瞬时失败与持久失败的处理路径不同。（第 6.2、11.3 节）

八：构造一份十页自制 PDF（含双栏、三线表、行内行间公式、页眉页脚），作为固定回归样张，分别用 MinerU 两种后端解析并对比差异。提示：LaTeX 自制样张的要素完全可控，最适合回归。（第 8.1、8.3 节）

九：按第 9.2 节方法搭一次小型对照实验：五个样张、两个工具、三维指标齐全，产出一张决策表。提示：先写控制变量清单再开跑，同机同版本同输入。（第 9.2 节）

十：实现「表格不可切」分块保护：预扫描提取全部围栏代码块与表格块占位，切分后回填，验证超长表用表头冗余兜底的效果。提示：占位符要选正文中不可能出现的字符串。（第 10.2 节）

十一：为抽取管线构造五十条规模的评测集（常规四十、疑难十），实现字段级精确率与召回率脚本，然后改一版提示词跑回归对比。提示：疑难层单独成行报告，别让它淹没在总分里。（第 11.1 节）

思考题

十二：你的语料是「八成静态新闻页加两成动态数据面板」，全程用无头浏览器渲染划算吗？设计一个分层方案并估算各层成本占比。提示：第 11.2 节的三层模型先算渲染层占比，再谈方案。（第 2、11.2 节）

十三：团队要在闭源产品里集成文档解析能力，又放不下 MinerU 在复杂中文 PDF 上的效果优势，怎么设计架构与法务流程？提示：双引擎结构是否成立取决于部署形态，把「取决于」展开成具体情形。（第 8.3、9.1 节）

十四：检索系统上线三个月后字段召回缓降，列举至少五个候选原因并设计逐层排查的顺序。提示：从第 7.1 节的「错误向下传导」出发，想想每一层会怎么腐蚀。（第 7.1、10.1、11.1 节）

难度与用时参考

用时不含装环境；建议按档推进，基础题全过再碰进阶——进阶题的对照实验依赖基础题攒下的样张与脚本，跳档做题会重复造轮子。

自测口径

做完十四题，用三个问题验收自己：能不能不看书说出五段解析流水线？能不能为一份新语料设计完整的加工路径？能不能对着交付清单逐项解释为什么？三问皆是，这本书的目标就达成了。

组队做题的变体：两人互换评测集（你标他的语料、他标你的），再互相跑对方的评测脚本。标注分歧本身就是最好的学习材料——每一个分歧点都暴露一处「你以为显然、其实有歧义」的口径，而口径意识正是第 11.1 节想教的核心。

不做题的读法也成立：把附录 A 的术语当索引，每条试着不看正文复述定义，卡壳的条目回到对应章节重读——这是最快的查漏法。

合规提醒：本节内容仅用于合法授权的数据采集场景；请遵守目标站点的服务条款与 robots 协议，涉及个人信息时遵循相关法律法规。