在自动化操作场景中，答题脚本是按键精灵常见的应用类型之一，以单选题这类标准化题型为例，将从核心的 “文字识别” 和 “题库匹配” 两大环节入手，拆解单选题答题脚本的完整编写思路，帮助新手快速掌握这类脚本的设计与实现。

第一步：精准识别题目与答案选项

答题脚本的基础是 “读懂” 题目和选项，而文字识别是实现这一目标的核心，根据应用场景不同，主要分为两种识别方式，各有适用场景和实现逻辑。

1. 节点 XML 元素提取（高效精准型）

这种方式的核心是从 APP 的 XML 节点中提取text属性的文字内容，优势非常明显：

• 速度快：直接读取文本数据，无需额外的图像处理步骤；

• 准确率高：提取的是原生文字，不存在识别误差。

但局限性也同样突出：仅适用于有可提取文字节点的 APP，像游戏类 APP、定制化界面的 APP 基本没有这类节点，因此无法使用该方法。

2. OCREX 文字识别（通用兼容型）

当无法通过节点提取文字时，OCR（光学字符识别）是唯一选择。按键精灵本身自带 OCREX,本地版 OCREX 识别更快，

• 准确率：对标准字体（如黑体、宋体）识别率接近 100%，手写体、艺术体识别率会下降，无法做到百分百准确。数字类的0.1这类的识别会容易出现错误。

识别实操建议

识别题目和选项时，优先分开识别（如先识别题目区域，再分别识别 A/B/C/D 选项区域），便于后续匹配；若答题有严格时间限制，可一次性识别整个答题区域，再通过字符串处理（如按换行、标点分割）区分题目和选项。

第二步：题库匹配实现自动答题

如果说文字识别是 “读懂题目”，那么题库匹配就是 “找到答案”—— 没有题库，答题脚本就是无源之水。这一环节分为 “制作题库” 和 “匹配答案” 两个关键步骤。

1. 题库的两种制作形式（各有优劣）

形式一：按行编写（易维护型）

每一行对应一道题，格式为题目----答案，示例如下：

五岳中的中岳是哪座山----嵩山

优点：制作和维护极方便，新增题目只需在文档最后追加一行，无需调整格式；

缺点：题库量极大（如上万道题）时，匹配速度会变慢。

形式二：JSON 格式存储（高效匹配型）

以键值对形式存储，题目为 “键”，答案为 “值”，示例如下：

"五岳中的中岳是哪座山":"嵩山"

优点：题库量越大，匹配速度越优于按行编写的形式，因为键值对可直接通过 “键” 调取 “值”，无需遍历；

缺点：手动制作麻烦，建议先按形式一制作题库，再编写小脚本自动转换为 JSON 格式。

2. 题库匹配的实现逻辑

匹配的核心目标是：将识别到的题目与题库比对，找到对应答案，再从识别的选项中匹配出目标选项并点击。

方式一：按行题库的匹配逻辑

1. 用file.readlines命令读取题库文档，将每一行内容存入数组；

2. 遍历数组，对每一行使用分割命令（如按----分割），拆分出 “题库题目” 和 “题库答案”；

3. 将 “题库题目” 与识别到的题目进行精准比对，找到完全匹配的行；

4. 提取该行的 “题库答案”，再与识别到的选项逐一比对，找到一致的选项；

5. 触发按键精灵的点击命令，点击目标选项完成答题。

方式二：JSON 题库的匹配逻辑

1. 用file.read命令读取整个 JSON 题库文档；

2. 将 JSON 字符串转换为按键精灵可识别的 table（键值对）结构；

3. 直接以识别到的题目作为 “键”，调取对应的 “值”（即答案）；

4. 与识别的选项比对后点击目标选项，完成答题。

延伸：模糊匹配（应对题目变体）

实际场景中，识别的题目可能与题库题目不完全一致（如多了标点、少了助词），此时需用模糊匹配：

1. 遍历所有题库题目；

2. 使用查找命令（如InStr），判断题库题目是否包含识别到的核心题目内容；

3. 若包含，则判定匹配成功，提取对应答案继续后续操作。

三、完整脚本编写流程梳理

结合上述两大核心环节，单选题答题脚本的完整编写流程可总结为：

1. 确定识别方式：优先尝试节点提取，不可行则选用 OCR；

2. 制作题库：根据题库规模选择 “按行编写” 或 “JSON 格式”；

3. 编写识别逻辑：截图 / 提取节点→获取题目和选项文字；

4. 编写匹配逻辑：题库比对→找到答案→匹配选项；

5. 编写执行逻辑：点击目标选项→完成答题；

6. 优化调试：针对识别误差、匹配失败、答题超时等问题调整参数（如 OCR 截图区域、匹配容错率）。

总结

1. 文字识别是答题脚本的基础，节点提取优先（精准高效），OCR 作为通用兜底方案（兼容所有场景但有识别误差）；

2. 题库制作需权衡维护成本和匹配效率，小题库用 “按行编写”，大题库建议 “按行制作 + 脚本转 JSON”；

3. 匹配逻辑的核心是 “精准比对”，实际应用中可通过模糊匹配适配题目变体，提升脚本通用性。