简介这份《0—3岁婴幼儿发展标准》文档面向家长、早教从业者及婴幼儿照护相关人员用于按月龄对照观察宝宝在大运动、精细动作、认知、语言、社交与自理等方面的发育表现帮助判断成长节点并留存阶段记录。内容以月龄为线索从1个月至10个月逐项列出可观察指标如俯卧抬头、追视红球、翻身、抓握传递、模仿发音、识把与藏猫猫等兼具筛查参考和亲子互动提示作用。资源包仅1个doc文件约80KB轻量便于电脑或手机端随时查阅、打印。当前已有70人学习说明其在家庭早教和托育照护场景中具备一定参考价值。读者可据此建立月龄观察清单记录关键能力出现时间并在儿保咨询、早教课程设计或托育照护中作为辅助资料使用。1. 一份「0_3岁婴幼儿发展标准.doc」摆在面前先想清楚它要被谁查托育机构要做一个家长端小程序家长填宝宝的出生日期页面按当前月龄弹出这个阶段应该会什么保健老师再逐条勾选会/不会系统给出是否需要转介的提示。手上唯一的资料就是一份从行业交流群里拿到的《0_3岁婴幼儿发展标准.doc》里面是几张大表格横向是大运动、精细动作、语言、认知、社会交往五个维度纵向按1个月3-4个月12-18个月这样的月龄段切分。真正卡住工程的不是读懂这份文档而是把它从人眼可读的排版变成一张能按矫正月龄精确检索、能按条目结构化打分的表。多数人第一次做这件事会直接复制粘贴进 Excel结果发现合并单元格、跨页表头、月龄写法不统一3月龄3个月0~3月混着来三件事就能把工期拖掉一周。这篇讲的是从 .doc 解析到接口上线的完整链路怎么判文件真实格式、怎么保住表格结构、怎么设计月龄区间和维度字段、筛查阈值该放在哪一层、以及文档改版之后怎么保证线上数据不悄悄跑偏。做医疗健康信息化、早教 SaaS 或者单纯想练文档解析的工程师都能照着走一遍。2. 解析 0_3岁婴幼儿发展标准.doc先分清真 .doc 还是改了名的 .docx2.1 用 file 命令判断文件真实格式文件名后缀是最不可信的信息。很多标准.doc是从某个网页另存下来的实际内容是新版 OOXML 包只是后缀被改成了 .doc。用 LibreOffice 直接转会报过滤器错误用 python-docx 又会抛PackageNotFoundError报错信息还指不到根子上。第一件事永远是看文件头。file 0_3岁婴幼儿发展标准.doc # 真·旧版 WordOLE2 复合文档 # Composite Document File V2 Document, Little Endian, Os: Windows ... # 改名来的 docxZIP 包 # Microsoft Word 2007 / Zip archive data, at least v2.0 to extractfile靠读 magic bytes 判断不依赖后缀这一步花两秒能省掉后面半小时的排错。如果输出是 Zip archive直接把后缀改成 .docx 交给 python-docx如果是 Composite Document就得走转换。判断结果处理方式常见坑Composite Document File V2LibreOffice headless 转 docx字段、文本框里的内容可能丢Zip archive / Microsoft Word 2007直接改后缀为 .docx后缀不改python-docx 直接报错ASCII text / HTML先明确来源多半是网页另存表格用table要换解析器空文件或 0 字节直接拦截表现为所有解析器都报奇怪的错2.2 LibreOffice headless 批量转换与参数说明旧版 .doc 的表格结构在二进制流里带一堆排版残留自己写解析器性价比很低常见做法是先用 LibreOffice 转成 docx再用成熟的 OOXML 库读。命令本身很简单坑集中在并发和字体上。mkdir -p converted soffice --headless --norestore \ --convert-to docx:MS Word 2007 XML \ --outdir ./converted \ ./0_3岁婴幼儿发展标准.doc--headless表示不开图形界面服务器上必须加--norestore跳过崩溃恢复对话框否则进程可能挂住不退出--convert-to后面的过滤器名写成docx:MS Word 2007 XML比只写docx更稳能避免走到别的导出路径--outdir指定输出目录不写就落在当前目录。提示soffice 默认是单实例多个进程抢同一个用户配置目录时会互相踢掉。批量转换要么串行跑要么给每个进程指定独立的-env:UserInstallationfile:///tmp/lo_$i。转换完成先别急着写业务代码用soffice --headless --convert-to txt再导一份纯文本人工扫一遍表格有没有被截断、有没有出现整行空白。这一步是后面所有清洗工作的基线基线错了字段校验再严也没意义。2.3 用 python-docx 抽取月龄表格的最小代码表格抽取的核心难点是合并单元格。python-docx 里row.cells返回的长度恒等于网格列数被横向合并的单元格会把同一段文本重复给多个 cell纵向合并则会让同一个对象在多行里出现。相邻去重是最省事的处理方式。from docx import Document import re, json doc Document(./converted/0_3岁婴幼儿发展标准.docx) rows [] for t_idx, table in enumerate(doc.tables): for r_idx, row in enumerate(table.rows): cells [c.text.strip().replace(\n, ) for c in row.cells] # 横向合并会把同一文本重复塞进多个 cell相邻去重 dedup [c for i, c in enumerate(cells) if i 0 or c ! cells[i - 1]] if not any(dedup): continue # 整行为空多半是装饰性空行 rows.append({table: t_idx, row: r_idx, cells: dedup}) # 月龄标题常写在正文段落而不是表格里用正则兜一遍 for p in doc.paragraphs: m re.search(r(\d)\s*[~\-—到]\s*(\d)\s*(?:个?月|月龄), p.text) if m: rows.append({table: -1, row: -1, cells: [p.text.strip()]}) print(json.dumps(rows[:5], ensure_asciiFalse, indent2)) print(总行数:, len(rows))关键参数与判断点table.rows只遍历可见行被纵向合并吃掉的行不会单独出现所以不能拿它当行号溯源doc.tables的顺序是按文档出现顺序但文本框w:txbxContent里的表格不在其中这类内容只能靠 2.2 的纯文本导出兜底p.text不含文本框内容这是 python-docx 的已知边界遇到内容缺失优先怀疑它。抽完先打印前五行和总行数肉眼确认维度列有没有错位。错位通常意味着表头跨了两行需要在代码里把第一行当分组表头单独处理而不是硬按固定列索引取值。3. 把婴幼儿发展标准文档建模成月龄-维度-里程碑表3.1 月龄区间该存字段还是存枚举文档里的月龄写法至少有四种「1个月」「1-2个月」「3月龄」「0~1月」还有「12-18个月」这种跨半年的粗粒度段。工程上最稳的做法是统一存成整数月闭区间age_start_m与age_end_m展示时再拼回人类可读的文案。不要存字符串否则每次查询都要解析也没法建索引。维度不要用中文自由文本用固定枚举。原因很实际文档里同时存在「社会交往」「社会情绪」「社交」三种说法如果直接入库按维度聚合统计时会被拆成三类通过率永远算不对。映射关系在清洗阶段一次性定死。字段类型说明idINTEGER主键自增age_start_mINTEGER起始月龄闭区间左端age_end_mINTEGER结束月龄闭区间右端dimensionTEXT五个枚举值之一item_textTEXT里程碑条目原文source_rowINTEGER回溯源文档行号供核对doc_versionTEXT来源文档版本标识sort_orderINTEGER同区间内的展示顺序3.2 建表与索引让按矫正月龄的查询走索引查询模式非常固定给定一个月龄取出所有覆盖它的条目。这种区间包含点的查询只要在起始月龄上建索引配合age_start_m ?就能把大部分数据过滤掉剩下的age_end_m ?在结果集里过滤成本可以接受。CREATE TABLE milestone ( id INTEGER PRIMARY KEY, age_start_m INTEGER NOT NULL, age_end_m INTEGER NOT NULL, dimension TEXT NOT NULL CHECK (dimension IN (gross_motor,fine_motor, language,cognition,social)), item_text TEXT NOT NULL, source_row INTEGER, doc_version TEXT NOT NULL, sort_order INTEGER DEFAULT 0, UNIQUE (age_start_m, age_end_m, dimension, item_text) ); CREATE INDEX idx_milestone_age ON milestone(age_start_m, age_end_m); CREATE INDEX idx_milestone_dim ON milestone(dimension, age_start_m);UNIQUE约束是防重复导入的第一道闸。同一份文档反复清洗导入是常态没有唯一键就得靠人工比对。CHECK约束把维度枚举钉在数据库层比在应用层做校验更可靠——批处理脚本往往绕过应用层直接写库。source_row在排查某条数据哪来的时价值极高不要嫌它占空间就省掉。3.3 清洗脚本全角转半角与表头黑名单原始文本里混着全角空格、全角波浪线、项目符号还有续表续这类跨页标记。清洗要做得克制只处理确定无害的部分避免把有意义的标点也一起改掉。import re, unicodedata HEADER_BLACKLIST (月龄, 发育项目, 里程碑, 大运动, 精细动作, 续表, 续, (续), 备注) def normalize(text: str) - str: # 全角转半角但只针对空格和常见标点中文字符不受影响 text text.translate(str.maketrans( , ~-())) text unicodedata.normalize(NFKC, text) text re.sub(r^\s*[·•\-\*]\s*, , text) # 去掉行首项目符号 text re.sub(r\s{2,}, , text) # 多空格压成一个 return text.strip() def is_header(text: str) - bool: return len(text) 8 and any(h in text for h in HEADER_BLACKLIST) def parse_age(cell: str): nums re.findall(r\d, cell) if not nums: return None lo, hi int(nums[0]), int(nums[-1]) return (lo, hi) if lo hi else (hi, lo)unicodedata.normalize(NFKC, ...)会把全角字母数字统一成半角但对全角括号等符号的处理各家实现略有差异所以先用translate精确替换一遍更保险。is_header用的是短文本 关键词双条件单看关键词会把语言这个维度名本身误杀加上长度限制后误判率明显下降。重叠区间不要急着去重。文档里[0,3]和[2,4]同时覆盖 2、3 月龄是正常设计硬去重会丢内容。正确做法是保留原始区间查询时按维度聚合用sort_order控制同屏展示顺序把同一月龄出现两条相似描述当作展示层问题处理。4. 用 FastAPI SQLite 做 0-3 岁发育里程碑查询与筛查接口4.1 矫正月龄的计算不能放在客户端早产儿的发育评估要用矫正月龄这是这个领域最容易被忽略、也最容易算错的一环。规则本身不复杂但必须放在服务端统一实现客户端系统时间不一致、月龄取整方式不一致同一个宝宝在两台设备上算出不同结果后面所有阈值判断都失去意义。from datetime import date def months_between(birth: date, today: date) - int: 按自然月计算月龄不足一天按未满月处理 m (today.year - birth.year) * 12 (today.month - birth.month) if today.day birth.day: m - 1 return max(0, m) def corrected_age(chrono_m: int, gest_weeks: int | None) - int: 早产儿矫正月龄孕周 37 不矫正矫正上限通常设到 24 月龄 if not gest_weeks or gest_weeks 37: return chrono_m if chrono_m 24: return chrono_m # 超过矫正上限回归实际月龄 return max(0, round(chrono_m - (40 - gest_weeks) / 4.345))4.345是平均每月的周数365.25 / 12 / 7用固定常量而不是自然月差是为了让不同出生日期落在同一标准上。gest_weeks 37的短路判断放在最前面避免足月儿被误矫正。矫正上限设 24 月龄是常见做法具体数值属于业务参数应当配置化而不是硬编码。4.2 里程碑查询接口区间包含查询的完整实现from fastapi import FastAPI, Query, HTTPException import sqlite3 app FastAPI(title0-3 岁发育里程碑服务) DB milestones.db def conn(): c sqlite3.connect(DB) c.row_factory sqlite3.Row return c app.get(/milestones) def list_milestones( month: int Query(..., ge0, le36, description矫正月龄), dimension: str | None Query(None, description维度不传返回全部), ): sql (SELECT id, age_start_m, age_end_m, dimension, item_text FROM milestone WHERE age_start_m ? AND age_end_m ?) args: list [month, month] if dimension: sql AND dimension ? args.append(dimension) sql ORDER BY dimension, age_start_m, sort_order, id with conn() as c: rows [dict(r) for r in c.execute(sql, args)] if not rows: raise HTTPException(404, f未找到覆盖 {month} 月龄的里程碑条目) return {month: month, total: len(rows), items: rows}Query(..., ge0, le36)把月龄范围约束在 0-36越界直接返回 422 而不是查空表。sqlite3.Row加dict()是最省事的序列化方式不需要额外 ORM。注意raise HTTPException(404)这个分支查不到数据在业务上通常意味着文档覆盖有缺口返回 404 比返回空数组更容易被发现日志里能直接统计出哪些月龄段没录全。4.3 筛查打分条目通过率与阈值参数打分逻辑本身很简单——每条里程碑勾会/不会按维度统计未通过比例超过阈值就提示转介。真正需要斟酌的是阈值和最小条目数某个维度在 2 月龄只覆盖了 2 条按比例算随便一条不过就是 50%这个数字毫无参考价值。所以必须加最小条目数门槛。参数示例值作用调整依据min_items3低于此条数不计算比例该月龄段该维度的实际条目数fail_ratio0.34未通过比例触发阈值需与专业人员共同标定warn_ratio0.20提示关注但不转介同上correct_until_m24矫正月龄生效上限业务口径age_tolerance0边界月龄是否含端点见下def evaluate(passed_flags: list[bool], min_items3, warn_ratio0.20, fail_ratio0.34) - dict: n len(passed_flags) if n min_items: return {status: insufficient, n: n, ratio: None} fail sum(1 for p in passed_flags if not p) ratio fail / n status (refer if ratio fail_ratio else watch if ratio warn_ratio else ok) return {status: status, n: n, ratio: round(ratio, 3)}注意这里的阈值只作为工程上的配置示例具体数值必须由业务方与专业人员结合所选量表标定代码里应当从配置文件读取不要写死在函数签名里。边界月龄是最隐蔽的坑。age_start_m m AND age_end_m m是闭区间语义如果文档里同时存在[3,4]和[4,6]4 月龄会把两段全返回。这在展示上是合理的相邻阶段有重叠本就正常但在打分时会把两段条目混在一起算比例导致分母莫名变大。稳妥做法是在评估接口里显式传一个age_tolerance参数或者干脆按最近一个区间筛选后再打分把展示和评估拆成两条查询路径。5. 文档改版、抽样核对与检索问答的进阶技巧5.1 用行级哈希做两版标准文档的差量比对标准文档会更新。第二版发下来最危险的操作是整表删掉重导——线上已有的评估记录如果外键指过去历史数据立刻失真。常见做法是先做差量只增量维护。import hashlib def row_key(r: dict) - str: raw f{r[age_start_m]}|{r[age_end_m]}|{r[dimension]}|{r[item_text]} return hashlib.md5(raw.encode(utf-8)).hexdigest() def diff(old: list[dict], new: list[dict]) - dict: o, n {row_key(r): r for r in old}, {row_key(r): r for r in new} return { added: [n[k] for k in n.keys() - o.keys()], removed: [o[k] for k in o.keys() - n.keys()], kept: len(n.keys() o.keys()), }哈希的输入里刻意不含id和sort_order只保留语义字段这样调整展示顺序不会污染比对结果。added走 INSERTremoved走软删除加deprecated_at字段而不是物理删除这样历史评估记录还能反查当时的条目原文。5.2 抽样核对与覆盖率 SQL自动化清洗永远需要人工兜底。抽 20 条出来拿source_row回到转换后的 docx 原文里逐字对一遍重点看含能会可以这类助动词的条目有没有被截断。同时用两条 SQL 体检数据完整性。-- 哪些维度在哪些月龄段的条目数偏少需要人工确认是否漏抽 SELECT dimension, age_start_m, COUNT(*) AS c FROM milestone GROUP BY dimension, age_start_m HAVING c 3 ORDER BY c ASC; -- 月龄覆盖是否有空洞 SELECT m.month FROM (WITH RECURSIVE seq(m) AS ( SELECT 0 UNION ALL SELECT m 1 FROM seq WHERE m 36) SELECT m FROM seq) m LEFT JOIN milestone s ON s.age_start_m m.month AND s.age_end_m m.month WHERE s.id IS NULL;第一条直接暴露稀疏区间HAVING c 3的数字和 4.3 里的min_items保持一致避免两个地方口径不一。第二条用递归 CTE 生成 0-36 的完整月龄序列再左连接一次就能看出哪几个月龄没有任何条目覆盖这类空洞在没有校验的导入里极其常见。5.3 把标准文档接进检索问答先过滤月龄再算相似度把里程碑条目做成向量库给家长端问答用最容易翻车的地方是纯向量召回。问「6 个月宝宝不会翻身正常吗」相似度最高的很可能是 12 月龄的「能独立翻身」因为文本几乎一样只是月龄不同。正确做法是把月龄作为硬过滤条件放在检索的第一层相似度只在过滤后的候选集里排序。字段拼接时也建议带上月龄与维度前缀比如6-9月龄大运动能自己从仰卧翻到俯卧这样模型在生成回答时能直接引用出处而不是自己推断适用年龄。检索层可以先用WHERE age_start_m 6 AND age_end_m 6把范围压到几十条再做向量排序——候选集小了召回错误月龄建议的概率会降到很低。把月龄过滤写进检索的第一层条件而不是指望相似度去兜底这是这个场景和通用文档问答最大的区别。本文还有配套的精品资源点击获取
从 .doc 到筛查接口：0-3岁婴幼儿发展标准结构化落地
简介这份《0—3岁婴幼儿发展标准》文档面向家长、早教从业者及婴幼儿照护相关人员用于按月龄对照观察宝宝在大运动、精细动作、认知、语言、社交与自理等方面的发育表现帮助判断成长节点并留存阶段记录。内容以月龄为线索从1个月至10个月逐项列出可观察指标如俯卧抬头、追视红球、翻身、抓握传递、模仿发音、识把与藏猫猫等兼具筛查参考和亲子互动提示作用。资源包仅1个doc文件约80KB轻量便于电脑或手机端随时查阅、打印。当前已有70人学习说明其在家庭早教和托育照护场景中具备一定参考价值。读者可据此建立月龄观察清单记录关键能力出现时间并在儿保咨询、早教课程设计或托育照护中作为辅助资料使用。1. 一份「0_3岁婴幼儿发展标准.doc」摆在面前先想清楚它要被谁查托育机构要做一个家长端小程序家长填宝宝的出生日期页面按当前月龄弹出这个阶段应该会什么保健老师再逐条勾选会/不会系统给出是否需要转介的提示。手上唯一的资料就是一份从行业交流群里拿到的《0_3岁婴幼儿发展标准.doc》里面是几张大表格横向是大运动、精细动作、语言、认知、社会交往五个维度纵向按1个月3-4个月12-18个月这样的月龄段切分。真正卡住工程的不是读懂这份文档而是把它从人眼可读的排版变成一张能按矫正月龄精确检索、能按条目结构化打分的表。多数人第一次做这件事会直接复制粘贴进 Excel结果发现合并单元格、跨页表头、月龄写法不统一3月龄3个月0~3月混着来三件事就能把工期拖掉一周。这篇讲的是从 .doc 解析到接口上线的完整链路怎么判文件真实格式、怎么保住表格结构、怎么设计月龄区间和维度字段、筛查阈值该放在哪一层、以及文档改版之后怎么保证线上数据不悄悄跑偏。做医疗健康信息化、早教 SaaS 或者单纯想练文档解析的工程师都能照着走一遍。2. 解析 0_3岁婴幼儿发展标准.doc先分清真 .doc 还是改了名的 .docx2.1 用 file 命令判断文件真实格式文件名后缀是最不可信的信息。很多标准.doc是从某个网页另存下来的实际内容是新版 OOXML 包只是后缀被改成了 .doc。用 LibreOffice 直接转会报过滤器错误用 python-docx 又会抛PackageNotFoundError报错信息还指不到根子上。第一件事永远是看文件头。file 0_3岁婴幼儿发展标准.doc # 真·旧版 WordOLE2 复合文档 # Composite Document File V2 Document, Little Endian, Os: Windows ... # 改名来的 docxZIP 包 # Microsoft Word 2007 / Zip archive data, at least v2.0 to extractfile靠读 magic bytes 判断不依赖后缀这一步花两秒能省掉后面半小时的排错。如果输出是 Zip archive直接把后缀改成 .docx 交给 python-docx如果是 Composite Document就得走转换。判断结果处理方式常见坑Composite Document File V2LibreOffice headless 转 docx字段、文本框里的内容可能丢Zip archive / Microsoft Word 2007直接改后缀为 .docx后缀不改python-docx 直接报错ASCII text / HTML先明确来源多半是网页另存表格用table要换解析器空文件或 0 字节直接拦截表现为所有解析器都报奇怪的错2.2 LibreOffice headless 批量转换与参数说明旧版 .doc 的表格结构在二进制流里带一堆排版残留自己写解析器性价比很低常见做法是先用 LibreOffice 转成 docx再用成熟的 OOXML 库读。命令本身很简单坑集中在并发和字体上。mkdir -p converted soffice --headless --norestore \ --convert-to docx:MS Word 2007 XML \ --outdir ./converted \ ./0_3岁婴幼儿发展标准.doc--headless表示不开图形界面服务器上必须加--norestore跳过崩溃恢复对话框否则进程可能挂住不退出--convert-to后面的过滤器名写成docx:MS Word 2007 XML比只写docx更稳能避免走到别的导出路径--outdir指定输出目录不写就落在当前目录。提示soffice 默认是单实例多个进程抢同一个用户配置目录时会互相踢掉。批量转换要么串行跑要么给每个进程指定独立的-env:UserInstallationfile:///tmp/lo_$i。转换完成先别急着写业务代码用soffice --headless --convert-to txt再导一份纯文本人工扫一遍表格有没有被截断、有没有出现整行空白。这一步是后面所有清洗工作的基线基线错了字段校验再严也没意义。2.3 用 python-docx 抽取月龄表格的最小代码表格抽取的核心难点是合并单元格。python-docx 里row.cells返回的长度恒等于网格列数被横向合并的单元格会把同一段文本重复给多个 cell纵向合并则会让同一个对象在多行里出现。相邻去重是最省事的处理方式。from docx import Document import re, json doc Document(./converted/0_3岁婴幼儿发展标准.docx) rows [] for t_idx, table in enumerate(doc.tables): for r_idx, row in enumerate(table.rows): cells [c.text.strip().replace(\n, ) for c in row.cells] # 横向合并会把同一文本重复塞进多个 cell相邻去重 dedup [c for i, c in enumerate(cells) if i 0 or c ! cells[i - 1]] if not any(dedup): continue # 整行为空多半是装饰性空行 rows.append({table: t_idx, row: r_idx, cells: dedup}) # 月龄标题常写在正文段落而不是表格里用正则兜一遍 for p in doc.paragraphs: m re.search(r(\d)\s*[~\-—到]\s*(\d)\s*(?:个?月|月龄), p.text) if m: rows.append({table: -1, row: -1, cells: [p.text.strip()]}) print(json.dumps(rows[:5], ensure_asciiFalse, indent2)) print(总行数:, len(rows))关键参数与判断点table.rows只遍历可见行被纵向合并吃掉的行不会单独出现所以不能拿它当行号溯源doc.tables的顺序是按文档出现顺序但文本框w:txbxContent里的表格不在其中这类内容只能靠 2.2 的纯文本导出兜底p.text不含文本框内容这是 python-docx 的已知边界遇到内容缺失优先怀疑它。抽完先打印前五行和总行数肉眼确认维度列有没有错位。错位通常意味着表头跨了两行需要在代码里把第一行当分组表头单独处理而不是硬按固定列索引取值。3. 把婴幼儿发展标准文档建模成月龄-维度-里程碑表3.1 月龄区间该存字段还是存枚举文档里的月龄写法至少有四种「1个月」「1-2个月」「3月龄」「0~1月」还有「12-18个月」这种跨半年的粗粒度段。工程上最稳的做法是统一存成整数月闭区间age_start_m与age_end_m展示时再拼回人类可读的文案。不要存字符串否则每次查询都要解析也没法建索引。维度不要用中文自由文本用固定枚举。原因很实际文档里同时存在「社会交往」「社会情绪」「社交」三种说法如果直接入库按维度聚合统计时会被拆成三类通过率永远算不对。映射关系在清洗阶段一次性定死。字段类型说明idINTEGER主键自增age_start_mINTEGER起始月龄闭区间左端age_end_mINTEGER结束月龄闭区间右端dimensionTEXT五个枚举值之一item_textTEXT里程碑条目原文source_rowINTEGER回溯源文档行号供核对doc_versionTEXT来源文档版本标识sort_orderINTEGER同区间内的展示顺序3.2 建表与索引让按矫正月龄的查询走索引查询模式非常固定给定一个月龄取出所有覆盖它的条目。这种区间包含点的查询只要在起始月龄上建索引配合age_start_m ?就能把大部分数据过滤掉剩下的age_end_m ?在结果集里过滤成本可以接受。CREATE TABLE milestone ( id INTEGER PRIMARY KEY, age_start_m INTEGER NOT NULL, age_end_m INTEGER NOT NULL, dimension TEXT NOT NULL CHECK (dimension IN (gross_motor,fine_motor, language,cognition,social)), item_text TEXT NOT NULL, source_row INTEGER, doc_version TEXT NOT NULL, sort_order INTEGER DEFAULT 0, UNIQUE (age_start_m, age_end_m, dimension, item_text) ); CREATE INDEX idx_milestone_age ON milestone(age_start_m, age_end_m); CREATE INDEX idx_milestone_dim ON milestone(dimension, age_start_m);UNIQUE约束是防重复导入的第一道闸。同一份文档反复清洗导入是常态没有唯一键就得靠人工比对。CHECK约束把维度枚举钉在数据库层比在应用层做校验更可靠——批处理脚本往往绕过应用层直接写库。source_row在排查某条数据哪来的时价值极高不要嫌它占空间就省掉。3.3 清洗脚本全角转半角与表头黑名单原始文本里混着全角空格、全角波浪线、项目符号还有续表续这类跨页标记。清洗要做得克制只处理确定无害的部分避免把有意义的标点也一起改掉。import re, unicodedata HEADER_BLACKLIST (月龄, 发育项目, 里程碑, 大运动, 精细动作, 续表, 续, (续), 备注) def normalize(text: str) - str: # 全角转半角但只针对空格和常见标点中文字符不受影响 text text.translate(str.maketrans( , ~-())) text unicodedata.normalize(NFKC, text) text re.sub(r^\s*[·•\-\*]\s*, , text) # 去掉行首项目符号 text re.sub(r\s{2,}, , text) # 多空格压成一个 return text.strip() def is_header(text: str) - bool: return len(text) 8 and any(h in text for h in HEADER_BLACKLIST) def parse_age(cell: str): nums re.findall(r\d, cell) if not nums: return None lo, hi int(nums[0]), int(nums[-1]) return (lo, hi) if lo hi else (hi, lo)unicodedata.normalize(NFKC, ...)会把全角字母数字统一成半角但对全角括号等符号的处理各家实现略有差异所以先用translate精确替换一遍更保险。is_header用的是短文本 关键词双条件单看关键词会把语言这个维度名本身误杀加上长度限制后误判率明显下降。重叠区间不要急着去重。文档里[0,3]和[2,4]同时覆盖 2、3 月龄是正常设计硬去重会丢内容。正确做法是保留原始区间查询时按维度聚合用sort_order控制同屏展示顺序把同一月龄出现两条相似描述当作展示层问题处理。4. 用 FastAPI SQLite 做 0-3 岁发育里程碑查询与筛查接口4.1 矫正月龄的计算不能放在客户端早产儿的发育评估要用矫正月龄这是这个领域最容易被忽略、也最容易算错的一环。规则本身不复杂但必须放在服务端统一实现客户端系统时间不一致、月龄取整方式不一致同一个宝宝在两台设备上算出不同结果后面所有阈值判断都失去意义。from datetime import date def months_between(birth: date, today: date) - int: 按自然月计算月龄不足一天按未满月处理 m (today.year - birth.year) * 12 (today.month - birth.month) if today.day birth.day: m - 1 return max(0, m) def corrected_age(chrono_m: int, gest_weeks: int | None) - int: 早产儿矫正月龄孕周 37 不矫正矫正上限通常设到 24 月龄 if not gest_weeks or gest_weeks 37: return chrono_m if chrono_m 24: return chrono_m # 超过矫正上限回归实际月龄 return max(0, round(chrono_m - (40 - gest_weeks) / 4.345))4.345是平均每月的周数365.25 / 12 / 7用固定常量而不是自然月差是为了让不同出生日期落在同一标准上。gest_weeks 37的短路判断放在最前面避免足月儿被误矫正。矫正上限设 24 月龄是常见做法具体数值属于业务参数应当配置化而不是硬编码。4.2 里程碑查询接口区间包含查询的完整实现from fastapi import FastAPI, Query, HTTPException import sqlite3 app FastAPI(title0-3 岁发育里程碑服务) DB milestones.db def conn(): c sqlite3.connect(DB) c.row_factory sqlite3.Row return c app.get(/milestones) def list_milestones( month: int Query(..., ge0, le36, description矫正月龄), dimension: str | None Query(None, description维度不传返回全部), ): sql (SELECT id, age_start_m, age_end_m, dimension, item_text FROM milestone WHERE age_start_m ? AND age_end_m ?) args: list [month, month] if dimension: sql AND dimension ? args.append(dimension) sql ORDER BY dimension, age_start_m, sort_order, id with conn() as c: rows [dict(r) for r in c.execute(sql, args)] if not rows: raise HTTPException(404, f未找到覆盖 {month} 月龄的里程碑条目) return {month: month, total: len(rows), items: rows}Query(..., ge0, le36)把月龄范围约束在 0-36越界直接返回 422 而不是查空表。sqlite3.Row加dict()是最省事的序列化方式不需要额外 ORM。注意raise HTTPException(404)这个分支查不到数据在业务上通常意味着文档覆盖有缺口返回 404 比返回空数组更容易被发现日志里能直接统计出哪些月龄段没录全。4.3 筛查打分条目通过率与阈值参数打分逻辑本身很简单——每条里程碑勾会/不会按维度统计未通过比例超过阈值就提示转介。真正需要斟酌的是阈值和最小条目数某个维度在 2 月龄只覆盖了 2 条按比例算随便一条不过就是 50%这个数字毫无参考价值。所以必须加最小条目数门槛。参数示例值作用调整依据min_items3低于此条数不计算比例该月龄段该维度的实际条目数fail_ratio0.34未通过比例触发阈值需与专业人员共同标定warn_ratio0.20提示关注但不转介同上correct_until_m24矫正月龄生效上限业务口径age_tolerance0边界月龄是否含端点见下def evaluate(passed_flags: list[bool], min_items3, warn_ratio0.20, fail_ratio0.34) - dict: n len(passed_flags) if n min_items: return {status: insufficient, n: n, ratio: None} fail sum(1 for p in passed_flags if not p) ratio fail / n status (refer if ratio fail_ratio else watch if ratio warn_ratio else ok) return {status: status, n: n, ratio: round(ratio, 3)}注意这里的阈值只作为工程上的配置示例具体数值必须由业务方与专业人员结合所选量表标定代码里应当从配置文件读取不要写死在函数签名里。边界月龄是最隐蔽的坑。age_start_m m AND age_end_m m是闭区间语义如果文档里同时存在[3,4]和[4,6]4 月龄会把两段全返回。这在展示上是合理的相邻阶段有重叠本就正常但在打分时会把两段条目混在一起算比例导致分母莫名变大。稳妥做法是在评估接口里显式传一个age_tolerance参数或者干脆按最近一个区间筛选后再打分把展示和评估拆成两条查询路径。5. 文档改版、抽样核对与检索问答的进阶技巧5.1 用行级哈希做两版标准文档的差量比对标准文档会更新。第二版发下来最危险的操作是整表删掉重导——线上已有的评估记录如果外键指过去历史数据立刻失真。常见做法是先做差量只增量维护。import hashlib def row_key(r: dict) - str: raw f{r[age_start_m]}|{r[age_end_m]}|{r[dimension]}|{r[item_text]} return hashlib.md5(raw.encode(utf-8)).hexdigest() def diff(old: list[dict], new: list[dict]) - dict: o, n {row_key(r): r for r in old}, {row_key(r): r for r in new} return { added: [n[k] for k in n.keys() - o.keys()], removed: [o[k] for k in o.keys() - n.keys()], kept: len(n.keys() o.keys()), }哈希的输入里刻意不含id和sort_order只保留语义字段这样调整展示顺序不会污染比对结果。added走 INSERTremoved走软删除加deprecated_at字段而不是物理删除这样历史评估记录还能反查当时的条目原文。5.2 抽样核对与覆盖率 SQL自动化清洗永远需要人工兜底。抽 20 条出来拿source_row回到转换后的 docx 原文里逐字对一遍重点看含能会可以这类助动词的条目有没有被截断。同时用两条 SQL 体检数据完整性。-- 哪些维度在哪些月龄段的条目数偏少需要人工确认是否漏抽 SELECT dimension, age_start_m, COUNT(*) AS c FROM milestone GROUP BY dimension, age_start_m HAVING c 3 ORDER BY c ASC; -- 月龄覆盖是否有空洞 SELECT m.month FROM (WITH RECURSIVE seq(m) AS ( SELECT 0 UNION ALL SELECT m 1 FROM seq WHERE m 36) SELECT m FROM seq) m LEFT JOIN milestone s ON s.age_start_m m.month AND s.age_end_m m.month WHERE s.id IS NULL;第一条直接暴露稀疏区间HAVING c 3的数字和 4.3 里的min_items保持一致避免两个地方口径不一。第二条用递归 CTE 生成 0-36 的完整月龄序列再左连接一次就能看出哪几个月龄没有任何条目覆盖这类空洞在没有校验的导入里极其常见。5.3 把标准文档接进检索问答先过滤月龄再算相似度把里程碑条目做成向量库给家长端问答用最容易翻车的地方是纯向量召回。问「6 个月宝宝不会翻身正常吗」相似度最高的很可能是 12 月龄的「能独立翻身」因为文本几乎一样只是月龄不同。正确做法是把月龄作为硬过滤条件放在检索的第一层相似度只在过滤后的候选集里排序。字段拼接时也建议带上月龄与维度前缀比如6-9月龄大运动能自己从仰卧翻到俯卧这样模型在生成回答时能直接引用出处而不是自己推断适用年龄。检索层可以先用WHERE age_start_m 6 AND age_end_m 6把范围压到几十条再做向量排序——候选集小了召回错误月龄建议的概率会降到很低。把月龄过滤写进检索的第一层条件而不是指望相似度去兜底这是这个场景和通用文档问答最大的区别。本文还有配套的精品资源点击获取