谁还在用PDF为难考生?5分钟,我把教育考试院那份「十分一段」拖进了Excel

谁还在用PDF为难考生？

5分钟，我把教育考试院那份「十分一段」PDF拖进了Excel

又是一年高考季。

每年这个时候，有一份数据，北京考生家长都想要。它躺在教育考试院的官网上，叫"××年全国普通高等学校在京招生录取分数分布统计(本科批次)"。

外行一听，不知道这是啥。内行一听，眼睛会亮。

为啥？因为这份文件理论上，是志愿填报的底层密码。去年某校在某专业组招了多少人，最低分多少，同分段一共有多少人，它全有。2025年6月发布的2024年录取数据，本科普通批573所院校，3000多个专业组，上万个具体专业，按每10分一个区间的人数分布，逐分累计都给掰开了。

理论上，每一位北京考生家长，都该有一份这个。

但我跟你讲，他们大概率没有。

因为它是PDF。扫描版PDF。你打开它，看到的是一张一张的图，不是数字，是图像。你不能复制，不能筛选，不能透视，不能写公式。你只能瞪着眼看，或者掏出手机一张一张拍。

就这。

过去很多年，包括一些机构，做的事都很原始。一个人对着PDF，眼睛瞪成铜铃，一行一行把数字敲进Excel。5552行，这是我们最终跑出来的真实行数。一个人至少干两周，还容易敲错。

现在变了。

前几天，我的AI agent韩信帮我跑通了整条链路。从1200页的扫描版PDF，到3份格式规整的Excel。全量版本科普通批573所院校5552行36列，物理组600分以上专项版，分数段优化版，都有。

第一次跑，踩坑无数，迭代了10多个版本。但跑通之后呢？今年再出新的数据，从下载文件到拿到最终表格，5分钟以内。

那10多个版本踩过的坑，就是墙变成台阶的过程。

扫描版PDF转Excel，核心流程就两步。PDF转Markdown，Markdown转Excel。第一步用OCR工具把图片里的表格识别成结构化文本，第二步用Python脚本把文本清洗、对齐、排好序，输出Excel。思路很直白，工具也都不花钱。PDF转MD这步用的是MinerU，开源的，专门训练过图表和公式识别，轻量用户云端免费使用，全鼠标操作。

但思路直白不代表跑得顺。MD转Excel这步，才是AI真正发力的环节。573所院校的表格结构各不相同，跨页表头格式不一致，截断标签导致行合并，排序key可能读错列——这些坑每一个都能让最终数据错位，而且错得悄无声息。你不会得到一堆乱码，你会得到一份看起来挺像样但关键数字全错的Excel。最离谱的一次，跑出来的结果第一行是北京第二外国语学院中瑞酒店管理学院，最低分426。北大排到了很后面。原因是代码里把部分院校的分数和排名的列搞混了，排序时用的是排名而不是分数。

这些坑，第一次都得手动踩、手动修。但修完之后呢？它们就固化在脚本里了。下次新数据出来，OCR一遍，脚本跑一下，5分钟，Excel出来。

好，技术讲完了。聊聊更上头的事。

教育考试院为什么非得发PDF？

你去问他们，大概率会说"为了存档""为了统一""为了数据准确性"。听上去都对。但你有没有想过，不发Excel，其实是不想。

PDF是什么？PDF是"印刷友好"的格式，是"存档友好"的格式。它跟"数据友好"八竿子打不着。PDF还有一个隐藏属性，叫"不可加工"。你不能用公式，不能筛选，不能透视，不能批量导出，不能跟其他数据关联。

想充分利用这份数据的考生家长，得多走两步。多走两步这事，有一部分人会走，很多人走不了。走得动的人，是有信息检索能力的人，是有OCR工具的人，是有耐心敲Excel的人。走不动的人，是不会装软件的家长，是不愿意花两周干这种原始体力活的家长。

教育考试院可能是个极端案例，但类似的事到处都是。门槛不只挡住了你获取数据，它还挡住了你用数据做判断。

以前，这道门槛确实有效。你不给我Excel，我自己录一遍得两周。你发的是PDF，我除了肉眼阅读啥也干不了。

但2026年了。AI已经把这件事的成本，从两周干到了5分钟。你设的格式壁垒，5分钟破解。

这些机构不懂技术吗？他们有很好的服务器，有专业的IT部门，同时发一份Excel对他们来说没有任何技术障碍。但数据还是躺在PDF里。就像工厂买了最先进的设备，工人还按老办法干活，生产效率几乎没变。工具变了，流程没变，等于没变。他们只是没想明白一个问题。数据到底该服务谁？数据是给档案柜服务的吗？如果数据是给人服务的，那它就该是能被加工、被筛选、被关联的格式。

真正吃到AI红利的人，是最早想明白"数据应该怎么服务人"的人。而坚持只发PDF的机构，工具早就够用了，但认知还停在档案柜时代。

当一项技术把获取数据的成本压到接近零的时候，还在用格式设门槛的机构，已经不是在保护数据，而是在拒绝被使用。

高考临近。祝考生读者，金榜题名。