优化OCR结果对比功能，重构主函数，增强参数处理和统计信息展示，提升用户体验

compare_ocr_results.py

@@ -1,3 +1,5 @@
+import sys
+import time
 import re
 import difflib
 import json
@@ -359,44 +361,45 @@ class OCRResultComparator:
                     f.write(f"`{diff['file2_value'][:50]}{'...' if len(diff['file2_value']) > 50 else ''}` | ")
                     f.write(f"{diff['description']} |\n")
 
-def main():
-    """主函数"""
-    parser = argparse.ArgumentParser(description='OCR结果对比工具')
-    parser.add_argument('file1', help='第一个OCR结果文件路径')
-    parser.add_argument('file2', help='第二个OCR结果文件路径')
-    parser.add_argument('-o', '--output', default='comparison_report', 
-                       help='输出文件名（不含扩展名）')
-    parser.add_argument('-f', '--format', choices=['json', 'markdown', 'both'], 
-                       default='markdown', help='输出格式: json, markdown, 或 both')
-    parser.add_argument('--ignore-images', action='store_true', 
-                       help='忽略图片内容（默认已启用）')
+def compare_ocr_results(file1_path: str, file2_path: str, output_file: str = "comparison_report",
+                       output_format: str = "markdown", ignore_images: bool = True):
+    """
+    比较两个OCR结果文件
     
-    args = parser.parse_args()
+    Args:
+        file1_path: 第一个OCR结果文件路径
+        file2_path: 第二个OCR结果文件路径
+        output_file: 输出文件名（不含扩展名），默认为"comparison_report"
+        output_format: 输出格式，选项: 'json', 'markdown', 'both'，默认为'markdown'
+        ignore_images: 是否忽略图片内容，默认为True
     
+    Returns:
+        Dict: 比较结果字典
+    """
     comparator = OCRResultComparator()
     
     print("🔍 开始对比OCR结果...")
-    print(f"📄 文件1: {args.file1}")
-    print(f"📄 文件2: {args.file2}")
-    print(f"📁 输出格式: {args.format}")
-    print(f"🖼️  图片处理: {'忽略' if args.ignore_images else '对比'}")
+    print(f"📄 文件1: {file1_path}")
+    print(f"📄 文件2: {file2_path}")
+    print(f"📁 输出格式: {output_format}")
+    print(f"🖼️  图片处理: {'忽略' if ignore_images else '对比'}")
     
     try:
         # 执行比较
-        result = comparator.compare_files(args.file1, args.file2)
+        result = comparator.compare_files(file1_path, file2_path)
         
         # 添加时间戳
         import datetime
         result['timestamp'] = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
         
         # 生成报告
-        if args.format in ['json', 'both']:
-            json_file = f"{args.output}.json"
+        if output_format in ['json', 'both']:
+            json_file = f"{output_file}.json"
             comparator.generate_json_report(result, json_file)
             print(f"📄 JSON报告已保存至: {json_file}")
         
-        if args.format in ['markdown', 'both']:
-            md_file = f"{args.output}.md"
+        if output_format in ['markdown', 'both']:
+            md_file = f"{output_file}.md"
             comparator.generate_markdown_report(result, md_file)
             print(f"📝 Markdown报告已保存至: {md_file}")
         
@@ -416,23 +419,84 @@ def main():
                 print(f"      文件2: '{diff['file2_value'][:50]}{'...' if len(diff['file2_value']) > 50 else ''}'")
         else:
             print(f"\n🎉 恭喜！两个文件内容完全一致！")
+        
+        # 添加处理统计信息（模仿 ocr_by_vlm.py 的风格）
+        print("\n📊 对比处理统计")
+        print(f"   文件1路径: {result['file1_path']}")
+        print(f"   文件2路径: {result['file2_path']}")
+        print(f"   输出文件: {output_file}")
+        print(f"   输出格式: {output_format}")
+        print(f"   忽略图片: {ignore_images}")
+        print(f"   处理时间: {result['timestamp']}")
+        print(f"   文件1表格数: {result['file1_tables']}")
+        print(f"   文件2表格数: {result['file2_tables']}")
+        print(f"   文件1段落数: {result['file1_paragraphs']}")
+        print(f"   文件2段落数: {result['file2_paragraphs']}")
+        
+        return result
             
     except Exception as e:
-        print(f"❌ 对比过程中出现错误: {e}")
-        return 1
+        import traceback
+        traceback.print_exc()
+        raise Exception(f"OCR对比任务失败: {e}")
+
+def main():
+    """主函数 - 保持向后兼容"""
+    parser = argparse.ArgumentParser(description='OCR结果对比工具')
+    parser.add_argument('file1', help='第一个OCR结果文件路径')
+    parser.add_argument('file2', help='第二个OCR结果文件路径')
+    parser.add_argument('-o', '--output', default='comparison_report', 
+                       help='输出文件名（不含扩展名）')
+    parser.add_argument('-f', '--format', choices=['json', 'markdown', 'both'], 
+                       default='markdown', help='输出格式: json, markdown, 或 both')
+    parser.add_argument('--ignore-images', action='store_true', 
+                       help='忽略图片内容（默认已启用）')
     
-    return 0
+    args = parser.parse_args()
+    
+    try:
+        result = compare_ocr_results(
+            file1_path=args.file1,
+            file2_path=args.file2,
+            output_file=args.output,
+            output_format=args.format,
+            ignore_images=args.ignore_images
+        )
+        print("\n🎉 OCR对比完成！")
+        return 0
+    except Exception as e:
+        print(f"❌ OCR对比失败: {e}")
+        return 1
 
 if __name__ == "__main__":
-    # 如果sys.argv没有被传入参数，则提供默认参数用于测试
-    import sys
-    import time
-    if len(sys.argv) == 1:
-        sys.argv.extend([
-            # './output/至远彩色印刷工业有限公司-2022年母公司_2.md', './sample_data/demo_54fa7ad0_page_1_nohf.md', 
-            './output/至远彩色印刷工业有限公司-2022年母公司_2.md', './output/至远彩色印刷工业有限公司-2022年母公司_2-GLM4.5V.md', 
-            '-o', f'./output/comparison_result_{time.strftime("%Y%m%d_%H%M%S")}', 
-            '-f', 'both',
-            '--ignore-images'])
+    parser = argparse.ArgumentParser(description='OCR结果对比工具')
+    parser.add_argument('file1', nargs= '?', help='第一个OCR结果文件路径')
+    parser.add_argument('file2', nargs= '?', help='第二个OCR结果文件路径')
+    parser.add_argument('-o', '--output', default='comparison_report', 
+                       help='输出文件名（不含扩展名）')
+    parser.add_argument('-f', '--format', choices=['json', 'markdown', 'both'], 
+                       default='markdown', help='输出格式: json, markdown, 或 both')
+    parser.add_argument('--ignore-images', action='store_true', 
+                       help='忽略图片内容（默认已启用）')
+    
+    args = parser.parse_args()
 
-    exit(main())
+    if args.file1 and args.file2:
+        result = compare_ocr_results(
+            file1_path=args.file1,
+            file2_path=args.file2,
+            output_file=args.output,
+            output_format=args.format,
+            ignore_images=args.ignore_images
+        )
+    else:
+        # 如果sys.argv没有被传入参数，则提供默认参数用于测试
+        result = compare_ocr_results(
+            file1_path='./output/dots.ocr/至远彩色印刷工业有限公司-2022年母公司_2.md',
+            file2_path='./output/Qwen2.5-VL-72B-Instruct-AWQ/至远彩色印刷工业有限公司-2022年母公司_2.md',
+            output_file=f'./output/comparison_result_{time.strftime("%Y%m%d_%H%M%S")}',
+            output_format='both',
+            ignore_images=True
+        )
+    print("\n🎉 OCR对比完成！")
+