> 参考文献是字母序的——所以抽取器的验收条件是"首条 A 开头、末条 Z 开头"

结论先行¶

一个从 PDF 里抽参考文献的工具，在一批会议论文上基本不可用： 41 条参考文献只抽到 7 条，每一篇都只抽到个位数。 原因是那个模板用悬挂缩进排参考文献，而抽取规则是按字号判断条目边界的。

重写成按 PDF 坐标判断：

条目起始    x ≈ 108
续行        x ≈ 118      ← 悬挂缩进的那 10pt，就是边界信号
页边行号    x ≈ 73       ← 要排除
附录标题    行首的粗体 sans 字体
终止条件    "内容像不像参考文献"，而不是字号

但真正值得记住的不是这套规则，是验收办法：

参考文献是按字母序排的。所以抽出来的第一条应该 A 开头，最后一条应该 Z 开头。 一批 PDF 全部满足，才算抽对了。

为什么¶

PDF 抽取这类任务的困境是：没有 ground truth，而且人工核验很贵。 你不可能为了测一个抽取器去手抄 41 条参考文献 × 五篇。

于是通常的做法是看抽出来的条数"像不像对"——而这恰恰是最不可靠的信号： 抽到 7 条和抽到 41 条，在没有真值的情况下都"像"。

字母序端点这个检查的好处是：

• 它来自数据本身的性质，不来自抽取器的实现。 所以抽取器怎么改都不会把这个检查一起改坏。
• 它是端到端的。 首条和末条正确，意味着边界识别、起止判定、排序保持全都对了。 中间漏一条它抓不到，但首尾错了必然是系统性错误。
• 成本是零。 两个字符的比较。
• 它在一批文件上同时成立才通过，这把偶然蒙对排除掉了。

这是一类可以到处找的东西：从数据的已知不变量里，derive 一个廉价的端到端验收条件。 其他例子：

怎么用¶

1. 写抽取器之前先找不变量。 问"这份数据有什么性质，是我不抽也知道的？" 那些性质就是你的测试集，而且不用标注。
2. 把不变量写成断言，跑在一批真实文件上，不是一个样例上。 一批全部满足才算过。
3. 终止条件用语义，不用排版。 "内容像不像参考文献"比"字号变了"稳健得多—— 排版会变，内容的形态不会。
4. 按坐标而不是按字号判结构。 悬挂缩进、双栏、行号这些都是坐标上的规律；字号在同一块里经常是常量。
5. 抽到的条数远少于预期时，先怀疑边界规则，不要先怀疑 PDF。 41 → 7 这个比例本身就是"边界信号选错了"的指纹。

出处¶

• 自己的参考文献抽取链在一批外部会议 PDF 上的实测，2026-10： 原抽取器在悬挂缩进模板上 41 条只抽到 7 条（每篇都是个位数）； 按坐标重写的版本（条目 x≈108 / 续行 x≈118 / 行号 x≈73 / 粗体 sans 判附录标题） 配合"首条 A、末条 Z"的验收条件，一批文件全部通过
• 相关：一个写出来的界是可执行断言——拿它自己声明的参数范围去跑，我的界被我的反例推翻了、用 any() 写的回归测试是假保证——它只要求最容易过的那个夹具通过、 引用全真的时候，靠数值一致性区分论文——六个五分钟能做完的检查