feat: 改进表头检测逻辑，新增分类行判断，优化得分计算

comparator/table_comparator.py

@@ -286,8 +286,8 @@ class TableComparator:
         
         检测策略:
         1. 查找包含表头关键字最多的行
-        2. 确认下一行是数据行
-        3. 避免将合并单元格的元数据行误判为表头
+        2. 确认下一行是数据行（或分类行）
+        3. 特殊处理：资产负债表等多层表头
         """
         if not table:
             return 0
@@ -299,13 +299,15 @@ class TableComparator:
             '摘要', 'description', '说明', 'remark',
             '金额', 'amount', '借方', 'debit', '贷方', 'credit',
             '余额', 'balance',
-            '对手', 'counterparty', '账户', 'account', '户名', 'name'
+            '对手', 'counterparty', '账户', 'account', '户名', 'name',
+            # ✅ 新增：资产负债表关键词
+            # '资产', 'asset', '负债', 'liability', '期末', 'period', '期初'
+            '期末', 'period', '期初'
         ]
         
         best_header_row = 0
         best_score = 0
 
-        # 如果表格行数小于10，取全部行进行检测，如果大于10，取前10行
         for row_idx, row in enumerate(table[:10]):
             if not row:
                 continue
@@ -324,36 +326,65 @@ class TableComparator:
                         if keyword in cell_lower:
                             keyword_count += 1
                             break
-            
-            # 避免空行或几乎空的行
+        
             if non_empty_cells < 3:
                 continue
             
-            # 计算得分：关键字比例 + 列数奖励
             keyword_ratio = keyword_count / non_empty_cells if non_empty_cells > 0 else 0
-            column_bonus = min(non_empty_cells / 5, 1.0)  # 列数越多，奖励越高
+            column_bonus = min(non_empty_cells / 5, 1.0)
             score = keyword_ratio * 0.7 + column_bonus * 0.3
             
-            # 如果下一行是数据行，加分
+            # ✅ 改进：跳过分类行和数据行检测
             if row_idx + 1 < len(table):
                 next_row = table[row_idx + 1]
+                # 如果下一行是数据行，加分
                 if self._is_data_row(next_row):
                     score += 0.2
-            
+                # ✅ 新增：如果下一行是分类行（如"流动资产:"），小幅加分
+                elif self._is_category_row(next_row):
+                    score += 0.1
+
             if score > best_score:
                 best_score = score
                 best_header_row = row_idx
         
-        # 如果最佳得分太低，返回0（第一行）
         if best_score < 0.3:
             print(f"   ⚠️  未检测到明确表头，默认使用第1行 (得分: {best_score:.2f})")
             return 0
         
         print(f"   📍 检测到表头在第 {best_header_row + 1} 行 (得分: {best_score:.2f})")
         return best_header_row
+
+    def _is_category_row(self, row: List[str]) -> bool:
+        """
+        ✅ 新增：判断是否为分类行（如"流动资产:"）
+        """
+        if not row:
+            return False
+        
+        category_patterns = [
+            # r'流动[资产负债]',
+            # r'非流动[资产负债]',
+            r'.*:$',  # 以冒号结尾
+        ]
+        
+        for cell in row:
+            cell_text = str(cell).strip()
+            if not cell_text:
+                continue
+            
+            for pattern in category_patterns:
+                if re.search(pattern, cell_text):
+                    return True
+        
+        return False
     
     def _is_data_row(self, row: List[str]) -> bool:
-        """判断是否为数据行"""
+        """
+        判断是否为数据行（改进版）
+        
+        ✅ "-" 符号表示金额为0或空，应该被认为是有效的数据单元格
+        """
         if not row:
             return False
         
@@ -367,6 +398,11 @@ class TableComparator:
             
             non_empty_count += 1
             
+            # ✅ "-" 符号也是有效的数据（表示0或空）
+            if cell_text == '-' or cell_text == '—' or cell_text == '--':
+                data_pattern_count += 1
+                continue
+            
             # 包含数字
             if re.search(r'\d', cell_text):
                 data_pattern_count += 1