简介：这份《2021-系统架构设计师知识点集锦》面向备考软考系统架构设计师的考生，尤其适合以自学方式推进复习、需要系统梳理考纲要点的人群。内容围绕系统架构设计核心知识展开，可用于搭建知识框架、定位薄弱环节与考前集中回顾。资源为单个PDF文件，压缩包约25.46MB，页面结构便于按章节检索与打印标注，适合在通勤、碎片时间或整块复习时段反复翻阅。目前已有576人学习下载，说明其在备考群体中具备一定参考价值。读者可借助这份集锦快速串联架构风格、质量属性、系统建模与设计评估等高频考点，配合自身笔记形成完整复习闭环，减少在零散资料间反复切换的时间成本，提升自学效率与应试针对性。
1. 系统架构设计师知识点集锦：从散落笔记到可检索知识库的整理路径
手里有一份叫「2021-系统架构设计师知识点集锦.pdf」的材料，大概率是备考或复盘时攒下来的。它可能来自培训班的讲义、论坛里流传的笔记，也可能是自己东拼西凑的截图和摘录。问题不在于内容有没有价值，而在于它通常是一堆散装知识点——没有目录层级、没有标签、没有检索入口，翻到哪算哪。系统架构设计师这个方向本身覆盖面极广，从架构风格、质量属性到分布式、中间件、安全设计，知识点之间还互相咬合。如果只是把 PDF 当电子书翻，考场上或项目里真要用的时候，根本定位不到。这篇要解决的就是：怎么把一份静态的知识点集锦，整理成能按主题检索、能对照考纲查漏、能持续更新的个人知识库。适合正在备考系统架构设计师、或者想把架构知识体系化沉淀下来的工程师。
2. 先搞清楚这份知识点集锦里到底有什么
2.1 系统架构设计师知识域的典型构成
系统架构设计师的考试和实务，知识点大致落在几个板块：架构基础（架构风格、架构视图、质量属性与权衡）、系统设计（高可用、高性能、可扩展、安全）、分布式与中间件（消息队列、缓存、服务治理）、数据架构（存储选型、数据一致性）、以及架构评审与演进。一份 2021 年前后的知识点集锦，通常也会围绕这些板块展开，但组织方式往往很随意——有的按教材章节，有的按真题考点，有的干脆是问答形式。
拿到 PDF 后第一件事不是急着背，而是先做一次内容盘点。把 PDF 转成可编辑文本，用关键词扫描的方式统计各板块的出现密度。这一步的目的是判断这份材料是「全科覆盖」还是「偏重某几块」。如果发现分布式和中间件部分特别厚，而架构基础部分很薄，那后续整理时就要有意识地从其他来源补齐短板，而不是被这份材料的偏向带着走。
盘点时建议用脚本做词频统计，比人工翻页快得多，也不容易漏。下面这段 Python 用 pdfplumber 抽取文本并按关键词归类，跑一遍就能对内容分布有个量化认识。
import pdfplumber import re from collections import Counter # 关键词到知识域的映射，可按自己材料的实际用语调整 DOMAIN_KEYWORDS = { "架构基础": ["架构风格", "质量属性", "架构视图", "4+1", "ATAM"], "系统设计": ["高可用", "负载均衡", "容错", "性能", "可扩展"], "分布式中间件": ["消息队列", "Kafka", "缓存", "Redis", "服务治理", "微服务"], "数据架构": ["数据一致性", "分库分表", "CAP", "事务", "存储选型"], "安全设计": ["认证", "授权", "加密", "安全审计", "等保"], } def extract_text(pdf_path): text = [] with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: t = page.extract_text() if t: text.append(t) return "\n".join(text) def classify(text): counter = Counter() for domain, kws in DOMAIN_KEYWORDS.items(): for kw in kws: # 统计关键词出现次数，忽略大小写 counter[domain] += len(re.findall(re.escape(kw), text, re.IGNORECASE)) return counter if __name__ == "__main__": raw = extract_text("2021-系统架构设计师知识点集锦.pdf") result = classify(raw) total = sum(result.values()) or 1 for domain, cnt in result.most_common(): print(f"{domain}: {cnt} 次 ({cnt/total:.1%})")这段代码的逻辑很直接：先把 PDF 每页文本抽出来拼成一个大字符串，再用正则统计各知识域关键词的出现次数。DOMAIN_KEYWORDS这个字典是核心参数，你需要根据自己材料里的实际表述来调整——比如材料里如果用的是「消息中间件」而不是「消息队列」，就要把词补进去。统计结果不是绝对精确的，因为同一个词可能出现在不同语境，但它能给你一个内容分布的粗略画像，足够判断该往哪个方向补料。
2.2 判断材料是「考点罗列」还是「可复用知识」
盘点完分布，还要判断这份集锦的性质。有些材料是纯考点罗列，比如「架构风格有管道过滤器、分层、事件驱动……」这种一句话带过的清单；有些则带有解释和对比，比如会讲清楚管道过滤器风格在什么场景下比分层风格更合适。前者适合做索引，后者才适合做知识库的正文。
判断方法很简单：随机抽 10 个知识点条目，看每个条目平均有多少字。如果普遍在 50 字以下，基本就是考点罗列型，整理重点应该放在「补全解释」和「建立关联」上；如果普遍在 150 字以上，说明材料本身有展开，整理重点就放在「结构化」和「去重」上。
我一般会用一个简单的阈值来分流：条目字数中位数低于 80 字的，标记为「索引型」，后续需要从教材或可靠资料补正文；高于 80 字的，标记为「内容型」，直接进入结构化流程。这个判断决定了你后面花多少时间在「补」上，而不是盲目地全部重写。
3. 把 PDF 拆成可检索的结构化知识库
3.1 从 PDF 到 Markdown 的转换与清洗
PDF 转文本最大的坑是格式丢失和乱码。尤其是扫描版 PDF，直接抽文本会得到一堆乱序字符。先确认你的 PDF 是文字版还是扫描版：用 pdfplumber 抽一页看看输出是否可读，如果全是乱码或空白，就需要先做 OCR。文字版的话，转换后重点处理三件事：页眉页脚去除、断行合并、以及列表项还原。
下面这段代码在抽取文本的基础上做了基础清洗，把连续空行压成一个、去掉页码行、合并被硬换行切断的句子。
import pdfplumber import re def clean_text(pdf_path): lines = [] with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: t = page.extract_text() if not t: continue for line in t.split("\n"): line = line.strip() # 跳过纯页码行和过短的无意义行 if re.fullmatch(r"[-—\s]*\d+[-—\s]*", line): continue if len(line) < 2: continue lines.append(line) # 合并被硬换行切断的句子：上一行不以句号/问号/冒号结尾，且下一行不以序号开头 merged = [] for line in lines: if merged and not re.search(r"[。？：；！]$", merged[-1]) \ and not re.match(r"^[一二三四五六七八九十\d]+[、.）)]", line): merged[-1] += line else: merged.append(line) return "\n".join(merged) if __name__ == "__main__": text = clean_text("2021-系统架构设计师知识点集锦.pdf") with open("cleaned.md", "w", encoding="utf-8") as f: f.write(text) print(f"清洗后共 {len(text)} 字符")清洗逻辑里有两个关键判断：一是页码行的正则[-—\s]*\d+[-—\s]*，能匹配「- 12 -」「— 12 —」这类常见页码格式；二是断行合并的条件，只有上一行没有句末标点、且下一行不是新条目开头时才合并。这两个规则能解决大部分文字版 PDF 的断行问题。如果你的材料里表格特别多，pdfplumber 的extract_tables()可以单独抽表格，但表格转 Markdown 后往往需要手工调整列宽和对齐，这一步没有全自动的可靠方案，建议表格数量少就手工处理，数量多再考虑用 pandas 做批量转换。
3.2 按知识域打标签与建立索引
清洗完的文本还是一整块，下一步是按知识域切分并打标签。切分的依据可以是原文的章节标题，也可以是你在 2.1 里定义的关键词。我一般会结合两者：先按原文的一级标题粗切，再用关键词对每个粗切块做二次归类，归不到任何类的就放进「待定」区，后续人工判断。
标签体系不要设计得太细。系统架构设计师的知识点，用「架构基础 / 系统设计 / 分布式中间件 / 数据架构 / 安全设计 / 待定」这六个一级标签就够了。二级标签可以按具体技术点来，比如分布式下面分「消息队列」「缓存」「服务治理」。标签太细会导致同一个知识点被打上多个标签，检索时反而混乱。
建立索引时，每个知识点条目至少包含四个字段：标题、所属知识域、正文摘要、来源页码。来源页码很重要，方便你回溯原文核对。下面是一个用 Python 把清洗后文本按关键词切分并输出 JSON 索引的示例。
import json import re DOMAIN_RULES = [ ("架构基础", ["架构风格", "质量属性", "架构视图", "ATAM", "4+1"]), ("系统设计", ["高可用", "负载均衡", "容错", "性能优化", "可扩展"]), ("分布式中间件", ["消息队列", "Kafka", "RabbitMQ", "缓存", "Redis", "微服务", "服务治理"]), ("数据架构", ["数据一致性", "分库分表", "CAP", "事务", "存储选型"]), ("安全设计", ["认证", "授权", "加密", "安全审计", "等保"]), ] def split_by_headings(text): # 按常见的中文序号标题切分，如「一、」「1.」「1.1」 pattern = r"(?=^[一二三四五六七八九十]+[、.]|^\d+[、.]\s|^\d+\.\d+)" parts = re.split(pattern, text, flags=re.MULTILINE) return [p.strip() for p in parts if p.strip()] def tag_domain(chunk): for domain, kws in DOMAIN_RULES: for kw in kws: if kw in chunk: return domain return "待定" def build_index(text): chunks = split_by_headings(text) index = [] for i, chunk in enumerate(chunks): title = chunk.split("\n")[0][:60] index.append({ "id": i, "title": title, "domain": tag_domain(chunk), "summary": chunk[:200].replace("\n", " "), "content": chunk, }) return index if __name__ == "__main__": with open("cleaned.md", encoding="utf-8") as f: text = f.read() idx = build_index(text) with open("index.json", "w", encoding="utf-8") as f: json.dump(idx, f, ensure_ascii=False, indent=2) print(f"共生成 {len(idx)} 条索引")切分正则(?=^[一二三四五六七八九十]+[、.]|^\d+[、.]\s|^\d+\.\d+)用的是零宽断言，意思是「在标题模式出现的位置切一刀但不消耗字符」。这个正则覆盖了「一、」「1.」「1.1」三种常见标题格式，如果你的材料用的是其他格式，比如「第 1 章」，就需要把对应模式加进去。tag_domain函数按关键词命中顺序返回第一个匹配的知识域，这意味着如果一个条目同时命中多个域，只会归到第一个。实际使用中如果发现归类不准，可以把规则改成返回所有命中的域，再人工决定主域。
4. 避坑：整理知识点集锦时最容易翻车的几个地方
4.1 现象：OCR 后满屏乱码，关键词统计完全失真
原因：扫描版 PDF 直接抽文本，或者 OCR 引擎对中文和符号的识别率低。解决：先判断 PDF 类型，扫描版必须走 OCR 流程，且 OCR 后要人工抽检前几页，确认没有大面积乱码再进入后续步骤。如果 OCR 质量实在差，考虑找文字版替代，或者只对关键章节做手工录入。
4.2 现象：标签打得太细，一个知识点出现在五个分类里
原因：标签体系设计时追求「精确」，给每个技术点都建了独立标签。解决：一级标签控制在 6 个以内，二级标签按需增加但不超过 15 个。打标签时遵循「一个条目一个主标签」原则，多域交叉的知识点用「主标签 + 关联标签」的方式记录，而不是重复归档。
4.3 现象：清洗后文本丢掉了原文的表格和对比关系
原因：pdfplumber 的extract_text()不保留表格结构，表格内容会被打散成普通文本行。解决：对包含表格的页面单独用extract_tables()处理，转成 Markdown 表格后手工核对。如果表格数量多，可以在清洗阶段就把表格页标记出来，后续单独处理，不要和正文混在一起。
4.4 现象：索引建好了，但检索时找不到想要的内容
原因：摘要字段截取的是正文前 200 字，而很多知识点的核心结论在段落末尾。解决：摘要生成时不要只取开头，可以用「首句 + 末句」的方式拼接，或者对正文做一次关键词提取，把高频技术词放进摘要。更简单的做法是保留全文内容字段，检索时直接对全文做匹配，摘要只作为展示用。
4.5 现象：整理完发现材料本身有错，但已经混入知识库
原因：网络流传的知识点集锦难免有错误或过时内容，直接整理会把错误固化。解决：整理过程中对每个知识域抽 3 到 5 个条目做交叉验证，对照教材或权威资料确认。发现错误的条目单独标记「待核实」，不要直接删除，保留原文和你的批注，方便后续追溯。
5. 让知识库真正用起来：检索、更新与自测
整理完的知识库如果只是躺在文件夹里，价值会迅速衰减。我自己的习惯是把它接到一个本地检索脚本上，用命令行就能查。下面这段代码用 Python 的jieba做中文分词，结合whoosh建一个轻量全文索引，支持按知识域过滤和关键词检索。
import json import jieba from whoosh.index import create_in from whoosh.fields import Schema, TEXT, ID from whoosh.qparser import MultifieldParser import os def build_search_index(index_json, index_dir): if not os.path.exists(index_dir): os.mkdir(index_dir) schema = Schema( title=TEXT(stored=True), domain=ID(stored=True), content=TEXT(stored=True, analyzer=None), # 中文需自行分词 ) ix = create_in(index_dir, schema) writer = ix.writer() with open(index_json, encoding="utf-8") as f: items = json.load(f) for item in items: # 用 jieba 对中文内容分词后再写入 segmented = " ".join(jieba.cut(item["content"])) writer.add_document( title=item["title"], domain=item["domain"], content=segmented, ) writer.commit() return ix def search(index_dir, query, domain=None): from whoosh.index import open_dir ix = open_dir(index_dir) with ix.searcher() as searcher: parser = MultifieldParser(["title", "content"], ix.schema) q = parser.parse(" ".join(jieba.cut(query))) results = searcher.search(q, limit=10) for r in results: if domain and r["domain"] != domain: continue print(f"[{r['domain']}] {r['title']}") print(f" {r['content'][:120]}...") print() if __name__ == "__main__": build_search_index("index.json", "search_idx") search("search_idx", "消息队列 高可用")这段代码的关键点在于中文分词。whoosh 默认的分词器对中文不友好，所以写入和查询时都用jieba.cut先切一遍，把「消息队列」切成「消息 队列」，这样检索「消息队列」和「队列消息」都能命中。domain字段用ID类型存储，支持精确过滤。检索时MultifieldParser同时在标题和正文里匹配，结果按相关度排序。
除了检索，知识库还需要定期更新。我的做法是每季度做一次「增量整理」：把新看到的架构相关文章、真题解析、项目复盘按同样的标签体系追加到索引里，同时检查旧条目有没有需要修正的。更新时不要重写整个索引，用 whoosh 的update_document按 id 更新即可。
最后一个技巧是自测。系统架构设计师的考点很多是「知道但说不清」，检验自己有没有真正掌握，最好的方式是随机抽一个知识点，合上材料用自己的话讲一遍，讲不顺的地方就是薄弱点。我一般会从索引里随机抽 5 条，每条给自己 2 分钟口述，讲完再对照原文查漏。这个习惯坚持下来，比反复翻 PDF 有效得多。希望帮到你。
本文还有配套的精品资源，点击获取
