简介这份PDF资源是UCLA数学系陶哲轩教授所著的《Solving Mathematical Problems: A Personal Perspective》面向希望提升数学解题能力的高校学生、竞赛选手及数学爱好者。全书从个人视角出发系统讲解数学问题解决策略涵盖数论、代数与分析、欧几里得几何、解析几何等经典主题并通过大量实例展示策略的实际运用强调解题思路与理论实践的结合。资源包内含1个PDF文件大小约1.31MB内容完整适合在电脑或平板上阅读学习。目前已有162人学习下载可作为数学思维训练与解题方法参考的实用材料。由于文本经OCR扫描识别个别细节可能存在识别误差但整体内容依然丰富对提高解题技巧和拓展数学视野具有较高参考价值。1. 从一份 OCR 版数学解题笔记说起它到底能解决什么如果你手头有一份扫描版《Solving Mathematical Problems》打开发现公式错位、符号乱码、段落粘连别急着删。这份资源的原始形态是一本关于数学问题解决策略的专著作者是加州大学洛杉矶分校数学系的教授内容覆盖数论、代数、分析、欧氏几何、解析几何等多个分支。它的核心价值不在于题目本身而在于展示“面对一道完全陌生的题第一步该想什么、第二步该写什么”的思维过程。适合两类人一是正在准备数学竞赛或研究生入学考试、需要系统提升解题策略的读者二是想从零搭建数学思维框架、但被市面上泛泛而谈的“解题技巧”搞晕的从业者。OCR 带来的识别错误是主要障碍但通过合理的文本清洗和结构化处理这份资源完全可以变成一份可检索、可标注、可复用的个人题库。2. 把 OCR 乱码变成可检索文本清洗流程与参数设置2.1 先判断 OCR 质量三类典型错误与影响范围拿到一份 OCR 扫描件第一件事不是直接跑脚本而是抽样判断错误类型。常见的有三类第一类是符号替换比如把积分号 ∫ 识别成 f把希腊字母 θ 识别成 0 或 O第二类是公式结构丢失比如分式变成两行、上下标变成普通字符第三类是段落合并把两个自然段粘成一段导致逻辑断裂。这三类错误对后续使用的影响完全不同符号替换影响检索命中率公式结构丢失影响推导复现段落合并影响阅读流畅度。我一般会先随机抽 10 页每页找 3 个公式和 2 个段落手动标记错误位置估算错误密度。如果符号错误率超过 15%建议先做一轮全局替换如果公式结构丢失严重可能需要重新识别或手动补录关键章节。2.2 用 Python 做文本清洗替换规则与正则表达式清洗的核心是“先全局替换高频错误再用正则修复结构”。下面这段脚本处理的是最常见的符号替换和空白字符问题。注意替换规则需要根据实际 OCR 结果调整不能直接照搬。import re def clean_ocr_text(raw_text): # 高频符号替换根据实际扫描件调整 replacements { ∫: f, # 积分号误识别为 f θ: 0, # 希腊字母误识别为 0 ≤: , # 小于等于号 ≥: , # 大于等于号 −: -, # 长横线统一为短横 ×: *, # 乘号统一 ÷: /, # 除号统一 ∞: inf, # 无穷大 √: sqrt, # 根号 } for wrong, right in replacements.items(): raw_text raw_text.replace(wrong, right) # 修复段落内多余空格中文和英文之间保留一个空格 raw_text re.sub(r\s, , raw_text) # 修复被拆断的单词连字符后跟换行的情况 raw_text re.sub(r-\s, , raw_text) # 恢复段落连续两个换行视为段落分隔 raw_text re.sub(r\n{2,}, \n\n, raw_text) return raw_text # 使用示例 with open(raw_ocr.txt, r, encodingutf-8) as f: raw f.read() cleaned clean_ocr_text(raw) with open(cleaned.txt, w, encodingutf-8) as f: f.write(cleaned)这段脚本的逻辑分四步第一步做符号映射把 OCR 误识别的字符替换成正确形式第二步压缩多余空白避免检索时因为空格不一致而漏匹配第三步处理连字符断词这是英文扫描件常见问题第四步恢复段落结构把连续换行统一成双换行。参数方面replacements字典需要根据你的扫描件实际错误来增删不要一次性加太多规则否则可能误伤正常文本。re.sub(r\s, , raw_text)会把所有空白压成一个空格如果你需要保留缩进或表格结构这一步要跳过。2.3 章节拆分与索引按目录结构重建文件树清洗完文本后下一步是按原书目录拆分章节。这份资源的目录结构是第 1 章讲问题解决策略第 2 章数论例子第 3 章代数与分析第 4 章欧氏几何第 5 章解析几何第 6 章杂例。拆分时可以用正则匹配章节标题但 OCR 后的标题可能变形比如“Strategies in problem solving”被识别成“Strategiesinproblemsolving”。我一般会先手动确认每个章节标题的 OCR 形态再写匹配规则。import os def split_chapters(cleaned_text, output_dirchapters): os.makedirs(output_dir, exist_okTrue) # 章节标题模式根据实际 OCR 结果调整 chapter_patterns [ (rStrategies\s*in\s*problem\s*solving, 01_strategies), (rExamples\s*in\s*number\s*theory, 02_number_theory), (rExamples\s*in\s*algebra\s*and\s*analysis, 03_algebra_analysis), (rEuclidean\s*geometry, 04_euclidean_geometry), (rAnalytic\s*geometry, 05_analytic_geometry), (rSundry\s*examples, 06_sundry), ] # 找到所有章节起始位置 positions [] for pattern, name in chapter_patterns: match re.search(pattern, cleaned_text, re.IGNORECASE) if match: positions.append((match.start(), name)) positions.sort(keylambda x: x[0]) # 按位置切分 for i, (start, name) in enumerate(positions): end positions[i1][0] if i1 len(positions) else len(cleaned_text) chapter_text cleaned_text[start:end] with open(os.path.join(output_dir, f{name}.txt), w, encodingutf-8) as f: f.write(chapter_text) print(f已拆分{name}长度 {len(chapter_text)} 字符) # 使用示例 with open(cleaned.txt, r, encodingutf-8) as f: text f.read() split_chapters(text)这段代码的关键是chapter_patterns列表每个元组包含正则模式和输出文件名。re.search找到每个章节标题的起始位置然后按位置排序、切分。注意如果 OCR 把标题识别得面目全非正则可能匹配不到这时需要手动调整模式或直接按页码切分。输出目录chapters下会生成 6 个文本文件每个文件对应一个章节方便后续单独检索和标注。提示拆分后的章节文件建议保留原始页码信息方便对照纸质书或 PDF 核对。可以在每个章节开头加一行# 原始页码xx-xx。3. 用解题策略反推题目结构从“理解问题”到“选择记号”3.1 三类问题的识别与应对Show/Find/Is there 的差异原书第 1 章把数学问题分成三类证明题Show that...、求解题Find...、存在性题Is there...。这个分类不是学术上的严格划分而是实战中的策略选择依据。证明题从已知条件出发目标明确适合正向推导求解题需要先猜一个近似答案再修正适合“先猜后证”存在性题最难因为要先判断存在与否再构造证明或反例。我一般拿到一道题先花 30 秒判断它属于哪一类然后决定用哪种策略。比如看到“Find all...”就优先考虑枚举和排除看到“Show that...”就优先考虑从已知定理出发。这个判断过程不需要写下来但能显著减少无效尝试。3.2 数据与目标的拆解用表格梳理已知量和未知量原书强调“理解数据”和“理解目标”要分开做。我习惯用一张表格把已知量、未知量、可用定理列出来。以第 1 章的问题 1.1 为例三角形边长成等差数列公差为 d面积为 t求边长和角度。已知量是 d 和 t未知量是三条边和三个角可用定理包括正弦定理、余弦定理、面积公式。表格如下类型具体内容备注已知量公差 d、面积 t两个独立参数未知量边长 a, ad, a2d角度 A, B, C六个未知量可用定理正弦定理、余弦定理、面积公式需要至少六个方程隐含条件三角形内角和 180 度提供一个方程这张表的作用是一眼看出方程数量是否足够。六个未知量需要六个独立方程内角和提供一个面积公式提供一个正弦定理和余弦定理可以提供四个刚好够。如果方程不够说明需要引入额外条件或改变策略。这个习惯来自多次“翻车”经验曾经在一道几何题上花了两个小时最后发现未知量比方程多一个根本解不出来。3.3 记号选择的影响为什么 a, ad, a2d 比 x, y, z 更好原书专门用一节讲“选择好的记号”。这不是形式主义而是直接影响推导复杂度。以等差数列边长为例如果用 x, y, z 表示三条边需要额外引入条件 y-x z-y d方程数量增加但结构变复杂。如果用 a, ad, a2d公差 d 直接嵌入表达式后续代入面积公式和余弦定理时变量更少、结构更清晰。我一般会优先选择“让约束条件自动满足”的记号。比如遇到“三个数成等比数列”就用 a, ar, ar²遇到“两个数之和为定值”就用 x 和 S-x。这个技巧在代数题中尤其有效能减少一半的化简步骤。注意记号选择不是越复杂越好。有些题目用对称记号如 a, b, c反而更简洁因为对称性可以利用。判断标准是代入方程后哪个记号产生的交叉项更少。4. 数论与几何的实战拆解从同余到向量每一步怎么落4.1 数论例子同余符号的 OCR 修复与模运算验证原书第 2 章是数论例子涉及大量同余式。OCR 后常见的错误是把 ≡ 识别成 或 ≡ 丢失把 mod 识别成 rnod 或 mod 后面的数字粘连。修复时可以用正则匹配“数字 空格 mod 空格 数字”的模式统一格式。下面这段脚本处理同余式的标准化import re def normalize_congruence(text): # 修复 mod 拼写错误 text re.sub(r\brnod\b, mod, text) text re.sub(r\bmod\b, mod , text) # 标准化同余式a ≡ b (mod m) # 匹配 a b mod m 或 a ≡ b mod m pattern r(\d)\s*[≡]\s*(\d)\s*mod\s*(\d) def repl(match): a, b, m match.groups() return f{a} ≡ {b} (mod {m}) text re.sub(pattern, repl, text) # 修复被拆断的模运算表达式 text re.sub(r(\d)\s*\n\s*mod\s*(\d), r\1 mod \2, text) return text # 使用示例 sample 17 5 mod 12 和 23 ≡ 11 mod 12 print(normalize_congruence(sample)) # 输出17 ≡ 5 (mod 12) 和 23 ≡ 11 (mod 12)这段脚本的核心是pattern正则它匹配“数字 等号或同余号 数字 mod 数字”的结构然后统一替换成标准同余式格式。repl函数把匹配到的三组数字重新组装确保格式一致。参数方面如果你的 OCR 结果中 mod 后面有括号或空格不一致需要调整\s*的位置。验证修复效果时可以随机抽 20 个同余式手动计算两边是否真的同余确保没有因为替换引入错误。4.2 欧氏几何辅助线构造的向量化验证方法原书第 4 章讲欧氏几何核心是辅助线构造。OCR 后图形丢失只剩文字描述这时需要根据文字重建几何关系。我一般用向量法验证辅助线是否正确把题目中的点用坐标表示然后计算向量等式是否成立。以“三角形三条边的垂直平分线交于一点”为例设三角形顶点为 A、B、C垂直平分线交点 P 满足 |PA| |PB| |PC|。用向量表示就是import numpy as np def verify_perpendicular_bisector(A, B, C): # A, B, C 为三角形顶点坐标 # 计算垂直平分线交点 P # 解方程|P-A|^2 |P-B|^2 且 |P-A|^2 |P-C|^2 # 展开后得到线性方程组 # 2(B-A)·P |B|^2 - |A|^2 # 2(C-A)·P |C|^2 - |A|^2 M np.array([ [2*(B[0]-A[0]), 2*(B[1]-A[1])], [2*(C[0]-A[0]), 2*(C[1]-A[1])] ]) rhs np.array([ np.dot(B, B) - np.dot(A, A), np.dot(C, C) - np.dot(A, A) ]) P np.linalg.solve(M, rhs) # 验证 |PA| |PB| |PC| dist_PA np.linalg.norm(P - A) dist_PB np.linalg.norm(P - B) dist_PC np.linalg.norm(P - C) print(fPA {dist_PA:.6f}) print(fPB {dist_PB:.6f}) print(fPC {dist_PC:.6f}) print(f最大偏差{max(abs(dist_PA-dist_PB), abs(dist_PB-dist_PC)):.2e}) return P # 测试任意三角形 A np.array([0, 0]) B np.array([4, 0]) C np.array([1, 3]) P verify_perpendicular_bisector(A, B, C)这段代码把几何证明转化为线性方程组求解然后验证三个距离是否相等。M矩阵和rhs向量来自垂直平分线条件的展开np.linalg.solve解出交点 P最后计算三个距离并输出最大偏差。如果偏差在 10^-6 以内说明辅助线构造正确。这个方法的好处是即使图形丢失只要文字描述完整就能用数值验证辅助线的正确性。参数方面A、B、C的坐标可以任意设置但建议用非退化三角形三点不共线否则矩阵奇异。4.3 解析几何坐标变换的常见错误与修正原书第 5 章讲解析几何核心是坐标变换。OCR 后常见的错误是把坐标 (x, y) 识别成 (x, y) 但括号丢失或者把变换矩阵识别成普通数字。修复时可以用正则匹配“左括号 数字 逗号 数字 右括号”的模式统一补全括号。下面这段脚本处理坐标标准化import re def normalize_coordinates(text): # 补全丢失的括号x, y - (x, y) # 匹配两个数字用逗号分隔且前后没有括号 pattern r(?!\()(\d\.?\d*)\s*,\s*(\d\.?\d*)(?!\)) def repl(match): x, y match.groups() return f({x}, {y}) text re.sub(pattern, repl, text) # 修复矩阵把 [[a, b], [c, d]] 格式统一 text re.sub(r\[\s*\[, [[, text) text re.sub(r\]\s*\], ]], text) return text # 使用示例 sample 点 3, 4 和 5, 6 以及矩阵 [[1, 2], [3, 4]] print(normalize_coordinates(sample)) # 输出点 (3, 4) 和 (5, 6) 以及矩阵 [[1, 2], [3, 4]]这段脚本用负向断言(?!\()和(?!\))确保只匹配没有括号的坐标对避免重复添加括号。repl函数把匹配到的两个数字重新组装成(x, y)格式。矩阵修复部分用简单的字符串替换把[ [变成[[把] ]变成]]。参数方面如果你的 OCR 结果中坐标用分号分隔需要把,改成;。验证时随机抽 10 个坐标点手动检查括号是否完整、数字是否正确。提示坐标变换的验证可以用“变换前后距离不变”或“变换前后角度不变”来检查。如果变换后距离变化超过 1%说明矩阵或坐标有误。5. 避坑与排查OCR 数学文本处理的五个血泪教训5.1 坑一全局替换导致正常文本被误伤现象把∫替换成f后所有英文单词中的f也被替换导致function变成∫unction。原因替换规则没有区分上下文直接全局替换。解决替换前先统计目标字符的出现频率和上下文。如果某个符号在正常文本中也常见改用正则匹配特定模式。比如积分号通常出现在∫后跟表达式可以用∫\s*匹配而不是单独替换∫。5.2 坑二段落合并导致公式和正文粘连现象清洗后公式a^2 b^2 c^2和下一段正文This is the Pythagorean theorem粘在同一行。原因OCR 把公式和正文识别为同一段落清洗时没有恢复换行。解决在清洗脚本中增加规则如果一行以公式符号结尾如、、^且下一行以大写字母开头则插入换行。或者手动在关键公式后加\n\n。5.3 坑三同余式中的 mod 被识别成 rnod现象所有mod变成rnod导致检索“mod”时找不到任何结果。原因OCR 对m和rn的区分度低尤其是小字号扫描件。解决在清洗脚本开头加一条text.replace(rnod, mod)但要注意rnod可能出现在正常单词中如cornod所以最好用正则\brnod\b匹配独立单词。5.4 坑四希腊字母和拉丁字母混淆现象θ被识别成0α被识别成aβ被识别成B导致公式含义完全改变。原因OCR 训练数据中希腊字母样本少识别准确率低。解决先手动列出所有出现的希腊字母及其误识别形式然后逐一替换。替换时用正则匹配“数字 希腊字母”或“运算符 希腊字母”的模式减少误伤。比如θ通常出现在三角函数中可以用sin\s*0匹配后替换成sin θ。5.5 坑五章节拆分时标题匹配失败现象拆分脚本运行后只生成了 3 个章节文件另外 3 个章节丢失。原因OCR 把章节标题识别得面目全非正则匹配不到。解决先手动打印清洗后的文本找到每个章节标题的实际形态再调整正则。如果标题完全丢失改用页码或“第 X 章”的中文标记来拆分。我一般会保留一份原始 PDF对照页码手动切分。6. 进阶用法把静态文本变成可交互题库6.1 用正则提取题目与解答生成结构化 JSON清洗完文本后下一步是把题目和解答分离生成结构化数据。原书的格式是“题目描述 解答过程”可以用正则匹配“Problem X.X”和“Solution”来切分。下面这段脚本把每个题目和解答提取成 JSON 对象import re import json def extract_problems(chapter_text): # 匹配题目编号Problem 1.1, Problem 2.3 等 problem_pattern rProblem\s(\d\.\d)\s*(.*?)(?Problem\s\d\.\d|$) matches re.findall(problem_pattern, chapter_text, re.DOTALL) problems [] for number, content in matches: # 分离题目和解答 solution_split re.split(r\bSolution\b, content, maxsplit1) problem_desc solution_split[0].strip() solution solution_split[1].strip() if len(solution_split) 1 else problems.append({ number: number, problem: problem_desc, solution: solution, chapter: chapter_text[:50] # 用开头 50 字符标识章节 }) return problems # 使用示例 with open(chapters/01_strategies.txt, r, encodingutf-8) as f: text f.read() problems extract_problems(text) with open(problems.json, w, encodingutf-8) as f: json.dump(problems, f, ensure_asciiFalse, indent2) print(f提取了 {len(problems)} 道题目)这段脚本的核心是problem_pattern正则它匹配“Problem 编号 内容”直到下一个“Problem”或文本结束。re.split把内容按“Solution”切分成题目和解答两部分。输出 JSON 包含编号、题目、解答和章节标识。参数方面maxsplit1确保只切分一次避免解答中的“Solution”被误切。验证时随机抽 5 道题手动检查题目和解答是否对应正确。6.2 用关键词索引做检索按定理名、方法名、题型分类生成 JSON 后可以进一步做关键词索引。我一般会提取三类关键词定理名如“Pythagorean theorem”“Cauchy-Schwarz”、方法名如“induction”“contradiction”、题型如“number theory”“geometry”。然后用倒排索引把关键词映射到题目编号。下面是一个简单的索引构建脚本from collections import defaultdict def build_index(problems): index defaultdict(list) # 关键词列表根据实际内容增删 keywords [ induction, contradiction, pigeonhole, modulo, congruence, prime, triangle, circle, perpendicular, polynomial, sequence, limit ] for prob in problems: text (prob[problem] prob[solution]).lower() for kw in keywords: if kw in text: index[kw].append(prob[number]) return dict(index) # 使用示例 with open(problems.json, r, encodingutf-8) as f: problems json.load(f) index build_index(problems) for kw, nums in index.items(): print(f{kw}: {len(nums)} 道题 - {nums[:5]})这段脚本用defaultdict构建倒排索引遍历每道题的题目和解答文本如果包含关键词就记录题目编号。输出是一个字典键是关键词值是题目编号列表。参数方面keywords列表需要根据实际内容调整可以先跑一遍词频统计选出高频技术词。验证时随便选一个关键词手动检查对应的题目是否真的涉及该主题。6.3 用 Jupyter Notebook 做交互式练习随机抽题与自动判分最后一步是把 JSON 数据导入 Jupyter Notebook做一个随机抽题和自动判分的练习环境。下面是一个简单的 Notebook 代码块import json import random # 加载题库 with open(problems.json, r, encodingutf-8) as f: problems json.load(f) # 随机抽一道题 prob random.choice(problems) print(f题目 {prob[number]}) print(prob[problem]) print(\n--- 思考后再看解答 ---\n) # 用户输入答案后显示解答 input(按回车查看解答...) print(解答) print(prob[solution])这个 Notebook 的逻辑很简单加载 JSON随机抽一道题先显示题目等用户思考后按回车再显示解答。参数方面random.choice可以换成random.sample抽多道题或者按章节筛选。验证时连续抽 10 道题检查题目和解答是否完整、格式是否正常。提示如果要做自动判分需要把解答中的关键步骤提取成检查点然后用正则匹配用户输入。这个工作量较大建议先从“抽题 看解答”开始逐步增加判分逻辑。从那以后我每次处理 OCR 数学文本都强制走一遍“抽样判断 → 符号替换 → 结构修复 → 章节拆分 → 索引构建”的流程不再跳过任何一步。希望帮到你。本文还有配套的精品资源点击获取
