方法论

这一页说明数据是怎么从官方 PDF 变成可查询表格的，以及我们用什么办法确认它没被弄错。

一、采集：逐张官方 PDF / 逐份区级文件

1. 对名额分配：从上海市教育考试院官网按栏目逐年枚举发布记录，定位每一年的发布页；官方发布形态逐年不同——有的是区码直链、有的是序号命名、2024 年甚至是「索引 PDF 里嵌链接注解」的形式，均逐一适配；下载全部 166 份 PDF 并留存原件。
2. 对统一招生（2026）：这类数据不在市级官网集中发布，而是分散在各区的门户、教育局、教育考试中心、招考网上，共 17 份文件，形式有 PDF 文字表、HTML 表格页、图片表三种。逐区定位并留存原件。
3. 对图片表（徐汇 / 宝山 / 崇明）：官方只发布了扫描图或整表截图，没有文字层，走 OCR 逐格识别，再用官方主数据表纠错（见下）。

二、解析：按坐标取数，不靠版面猜测

官方 PDF 的文字层在读取时，表头与数据行是分离的，直接按行读会把分数错位。本站按词坐标做两件事：

• 用 y 坐标把词聚成「表格行」；
• 用 x 坐标区分「校名 / 代码 / 各分数列」，避免把校名与数字混列。

其中有两处必须专门处理：

• 名额分配到校表的「初中学校」是合并单元格且垂直居中，名字的纵向位置与数据行相差约 5pt——容差不够时，整个初中名会被甩到相邻行，导致大面积缺失。
• 统招表里，有的区把一个逻辑行拆成 2–3 个 y 行（校名折行 / 代码单独一行 / 备注折行），而各区的真实行距又不一样（最密的松江只有 10.2pt、续行间距 6.7–7.4pt）。本站的做法是「强锚行 + 定距吸收续行」：只认「有招生代码」或「行内有数字录取分」的行作锚，锚定后把 9.0pt 内的续行并进来——阈值卡在续行间距与最小真实行距之间。
• 图片表则按像素列带取数（x 区间）再按 y 聚行，与 PDF 走同一套行规则；个别格识别存疑时多倍率重 OCR，并用「外语 ＝ 语数外 − 数学 − 语文 ∈ [0,150]」这条恒等式反推唯一解（宝山一处「数学 90 被认成 06」就是这样抓出来的）。

这些错法肉眼在成品页面上都看不出来，只能靠几何校验与算术约束发现。

三、质检：多层校验 + 独立对拍

1. 数值自洽：每条记录校验 ①总分在合理区间；②「语数外 ≥ 数学 + 语文」；③统招表另加「录取分 − 语数外 − 综合测试 ∈ [0,150]」（＝道法＋历史＋体育三科满分）；④「是否同分优待」列取值只能是「是/否」。
2. 覆盖完整性：每一行都要求有对应高中名；确实缺失的逐条列出，不静默丢弃。
3. 与独立真值对拍：贯通类表格以「官方 PDF 里出现的 6 位招生代码去重数量」为真值，名额分配表以官方表格行数为真值；统招表以「文件中出现的全部 6 位招生代码是否都被解析到」为真值，逐区打印「文中代码 N ✓全中 / ⚠缺 […]」。
4. 八道闸门 + 独立复算（统招）：分数域、分科值域、全部行有代码、全部行已归一化、同码跨区极差 > 0、各区概览、跨区投放码单列——全部通过；另由一段与解析器完全无关的脚本从成品 JSON 重算全部关键统计量（行数、逐区中位、分数段分布、跨区极差、低于投档线条数），与页面上的数字逐项对齐。
5. 构建期十八道闸门：本站是数据驱动的静态站，每次构建都会自动跑十八道检查（必备元素、死链、sitemap、外链资源、图表配平、数据源一致性、分片完整性、图表与数据同源、倒推内核可算、客户端脚本真跑一遍等）。任何一道不过，构建直接失败、不会发版。这意味着「页面上写的数字」与「用户实际查到的数据」不可能分叉。

当前状态：名额分配 18,384 条记录、统招 963 条记录，核心数值字段校验通过率 100%；因官方版式换行导致的校名截断已降至个位数百分比，且不影响按片段检索。

四、三件我们明确不做的事

五、你可以怎么用这些数据

• 定位：查清楚某所初中在某年、通过「名额分配到校」进入某所高中需要的分数水平，以及对应各科分数结构；
• 对比结构：看同一高中在不同区的到区门槛差异，理解「区内竞争」的实际含义；
• 观察单科：总分为末位成绩时，单科分布能反映同分情况下的差异来源。

请把这些数据当作理解规则与结构的材料，而不是「明年会考多少分」的预测依据。