公文OCR录入助手

要解决的问题

历史文献的 PDF 转 Word，难点不在「能不能提取」，而在「提取出来的东西能不能用」。扫描版党史、工运史资料的文字层里，常见三类噪声：OCR 错字（党颁导→党领导、杭日→抗日）、逐字定位产生的字间空格、繁简与横竖排版混杂。直接复制进 Word，得到的是满篇错漏、段距混乱的文本，后续人工校对的成本远超重录。

本技能处理的是忠于原文的录入场景：不做转述、不润色，只做格式统一与错字修正，产出符合 GB/T 9704 的党政机关公文 Word 文档。

工作方式

• 提取初稿：用 pypdf 取每个字的 (x, y) 坐标，按 y 聚类成视觉行（行容差固定为 10，因为本批 PDF 的字号恒为 1.0），句末标点切段，opencc 做繁→简安全防护。
• 两阶段错字处理：先对照原图渲染页人工重录修正明显错字；仍模糊或上下文不通顺处，用 ⟦HL⟧…⟦/HL⟧ 包裹，生成后转黄色高亮，留给人工复核而非擅自改写。
• 对齐保留：二级/三级标题在原文里居中的，产出也必须居中；靠左顶格或首行缩进同理。识别结果写入 [SECTION|CENTER] / [SECTION|LEFT] / [SECTION|INDENT] 后缀，构建阶段落地。
• 格式落地与校验：build_docx.py 按规范设置字体字号（一级标题方正小标宋简体二号加粗，其余黑体/楷体/仿宋三号不加粗）、固定行距 28 磅、页边距与页码；校验脚本逐项核对 w:eastAsia、半角引号数、高亮 run 数量等。

适用边界

• 当前环境无法渲染图片（Read PNG 会被过滤），「对照原图」必须在支持多模态的会话中进行，或事先提供已转录文本。
• 生成前需确认本机已安装仿宋、方正小标宋简体等字体，否则 Word 会回退。
• 中文必须显式设置 w:rFonts 的 w:eastAsia，python-docx 默认只设 ascii/hAnsi。
• 竖排传统中文手写稿走独立流程：从右至左逐列识别，整理为横排后输出，难字同样黄色高亮并给出推测。