OCR 文本校核

要解决的具体问题

OCR 文本常出现条款跳号、页面底部截断、子条款遗漏、1 被识别为 l、公式不完整、版本内容混用等问题。人工逐页比对慢，且难以覆盖全部章节。本技能面向 PDF 转文本后的 OCR 结果，提供一套可执行的校核与修复流程，重点覆盖工程量清单、规范条款、附录、表格和公式这类结构化文档。

技能如何工作

• 四阶段检查：先用正则提取 X.Y.Z 条款编号，检查连续性和缺失；再逐页比对 PDF 原图与 OCR 文本，确认截断、错位、跨引用和版本差异；随后运行脚本做全面兜底；最后对公式、金额、核心定义和修复区域抽样验证。
• 六维校核：在编号连续性之外，补充内容完整性、页码映射、字符准确性、跨引用一致性和版本一致性检查，减少人工只查“明显缺失”的盲区。
• 修复闭环：按 P0 到 P3 优先级处理条款缺失、内容截断、条款错位和 OCR 错字，读取 PDF 页面补全内容，再重跑检查脚本并抽样确认，避免修复引入新问题。

适用边界和注意点

它最适合有章节号、条款号、表格索引和附录引用的文档。对扫描件模糊、版式复杂、非条款型纯图像文档，仍需先保证 OCR 基础识别质量；公式、跨页表格、双页码体系和版本差异区域是高风险项，必须结合原图人工复核。