数学试卷JSON解析器

要解决的问题

把 Word（.docx）和 PDF 格式的数学试卷变成结构化数据，一直是个麻烦事。试卷里的题号、题型标题、题干、答案解析混杂在同一个文档流里，人工整理耗时且容易错位，尤其是题干文件和答案文件分开存放时，匹配成本更高。Exam Parser 的目标很明确：输入试卷文件路径，输出符合 references/json-format-spec.md 规范的树形 JSON，一次性完成结构化和题干答案匹配。

核心能力与工作流程

技能的入口是 scripts/main.py，必须在 scripts/ 目录下执行，因为它依赖同级 exam_parser/ 包的相对导入。支持的调用方式：

• 单文件：python main.py 试卷.docx
• 多文件：python main.py 试卷1.docx 试卷2.pdf
• 目录批量：python main.py ./试卷目录/ -o ./output/
• 需要详细日志时加 --verbose

处理链路上各模块分工明确：schema.py 定义数据模型和正则模式（题型匹配、题号匹配），docx_parser.py 负责 DOCX 解析并把 OMath 公式转成 LaTeX，pdf_parser.py 使用 pdfplumber/PyMuPDF 双引擎解析 PDF，analyzer.py 是核心分析引擎，按「标题 → 元信息 → 题型 → 题目」的顺序识别内容，formatter.py 负责 JSON 序列化输出。

输出的 JSON 是一棵四层树：L2 根节点为 chapter（parent_id 固定为 "n2ore0545"），L3 一层放「建议用时」「满分」等元信息，L3 另一层放「一、选择题」这类题型标题，L4 的 question 节点放具体题目。每个节点有 10 位十六进制 MD5 生成的 node_id，答案统一是数组（如 ["B"]），body 字段是 HTML 段落，数学公式用 $$...$$ 包裹。

适用边界与注意点

• 扫描版 PDF 不要指望 OCR：图片型 PDF 提取不到文字时，先用 pypdfium2 或 PyMuPDF 把每页渲染成图片，手动读题后照常调用 main.py 解析文本，公式手动转 LaTeX。Tesseract 处理数学公式质量太差，不要尝试。
• 纯文本公式需要人工补：DOCX 中的 OMath 公式会自动转换，但正文里的 2^n 这类表达式要在步骤 4 手动补齐。
• 题型标题匹配失败要改正则：analyzer.py 的 SECTION_PATTERNS 覆盖单选、多选、填空、判断、解答、论述、证明、计算、材料等常见格式，遇到新写法需要修改 schema.py 中的模式。
• 题干与答案分开处理：同一试卷拆成题目和答案两个文件时，需要在第一步就确认同时处理并做匹配。