.cursor/rules/project-conventions.mdc

@@ -0,0 +1,35 @@
+---
+description: 项目通用约定（中文回复、conda 环境）
+alwaysApply: true
+---
+
+# 项目约定
+
+## 语言
+
+- 与用户的所有对话、说明、总结、PR/提交说明草稿均使用**简体中文**。
+- 代码标识符、路径、命令、日志原文可保持英文；技术术语首次出现时可附简短中文说明。
+
+## Python / Shell 环境
+
+本项目使用 Conda 环境 **`mineru`**。执行 Python、pip、pytest 或依赖项目依赖的命令前，必须先激活该环境。
+
+### 交互式终端
+
+```bash
+conda activate mineru
+```
+
+### 非交互式命令（推荐，避免 activate 未生效）
+
+```bash
+conda run -n mineru python ...
+conda run -n mineru pip ...
+conda run -n mineru pytest ...
+```
+
+### 要求
+
+- 不要假设系统默认 `python3` 已安装项目依赖（如 `bs4`、`torch` 等）。
+- 若命令失败且提示缺少模块，先确认是否在 `mineru` 环境中再排查代码问题。
+- 新建脚本或文档中的示例命令，应体现 `conda activate mineru` 或 `conda run -n mineru`。

.cursorrules

@@ -0,0 +1,4 @@
+# Project Rules / 项目规则
+
+1. 所有回答必须使用中文。
+2. 开发与运行命令时，环境使用 `conda activate mineru`。

ocr_comparator/compare_ocr_results.py

@@ -90,9 +90,9 @@ if __name__ == "__main__":
         # 测试流水表格对比
         import time
         result = compare_ocr_results(
-            file1_path='/Users/zhch158/workspace/data/流水分析/B用户_扫描流水/bank_statement_yusys_v4/B用户_扫描流水_page_001.md',
-            file2_path='/Users/zhch158/workspace/data/流水分析/B用户_扫描流水/bank_statement_yusys_v3/B用户_扫描流水_page_001.md',
-            output_file=f'/Users/zhch158/workspace/data/流水分析/B用户_扫描流水/logs/flow_list_comparison_{time.strftime("%Y%m%d_%H%M%S")}',
+            file1_path='/Users/zhch158/workspace/data/流水分析/钟_广东陆丰农村商业银行/bank_statement_yusys_local/钟_广东陆丰农村商业银行_page_001.md',
+            file2_path='/Users/zhch158/workspace/data/流水分析/钟_广东陆丰农村商业银行/bank_statement_yusys_glmocr_local/钟_广东陆丰农村商业银行_page_001.md',
+            output_file=f'/Users/zhch158/workspace/data/流水分析/钟_广东陆丰农村商业银行/logs/flow_list_comparison_{time.strftime("%Y%m%d_%H%M%S")}',
             output_format='both',
             ignore_images=True,
             table_mode='flow_list',  # 使用流水表格模式

ocr_comparator/content_extractor.py

@@ -24,6 +24,10 @@ class ContentExtractor:
         text = re.sub(r'\s*([，。：；！？、])\s*', r'\1', text)
         return text
     
+    def _strip_html_comments(self, content: str) -> str:
+        """移除 HTML/Markdown 注释块（含多行），不参与段落提取与对比。"""
+        return re.sub(r'<!--.*?-->', '', content, flags=re.DOTALL)
+
     def _is_image_reference(self, text: str) -> bool:
         """判断是否为图片引用或描述"""
         image_keywords = [
@@ -194,23 +198,19 @@ class ContentExtractor:
         return merged_lines
     
     def extract_paragraphs(self, content: str) -> List[str]:
-        """提取段落内容"""
-        # 移除HTML标签
-        content_no_html = re.sub(r'<[^>]+>', '', content)
-        
-        # 移除bbox注释
-        content_no_bbox = re.sub(r'<!--.*?-->', '', content_no_html)
-        
-        # 按换行符分割
+        """提取段落内容（HTML 注释、标准化说明元数据不参与对比）"""
+        # 必须先去掉注释：多行 <!-- ... --> 无法用 <[^>]+> 或单行 .*? 一次清干净
+        content_no_comments = self._strip_html_comments(content)
+        content_no_html = re.sub(r'<[^>]+>', '', content_no_comments)
+
         paragraphs = []
-        lines = content_no_bbox.split('\n')
+        lines = content_no_html.split('\n')
         merged_lines = self.merge_split_paragraphs(lines)
-        
+
         for line in merged_lines:
             normalized = self._normalize_text(line)
-            if normalized:
-                paragraphs.append(normalized)
-            else:
-                print(f"跳过的内容无效或图片段落: {line[0:30] if line else ''}...")        
+            if not normalized:
+                continue
+            paragraphs.append(normalized)
 
         return paragraphs