新增图片查找功能，增强HTML图片处理，支持Markdown和HTML内容中图片的base64转换，优化表格转换为Markdown格式，支持横向滚动提示

ocr_validator_utils.py

@@ -341,6 +341,134 @@ def get_rotation_angle_from_ppstructv3(data: Dict) -> float:
     return 0.0
 
 
+def find_image_in_multiple_locations(img_src: str, json_path: str) -> Optional[str]:
+    """
+    在多个可能的位置查找图片文件
+    """
+    json_dir = os.path.dirname(json_path)
+    
+    # 可能的搜索路径
+    search_paths = [
+        # 相对于JSON文件的路径
+        os.path.join(json_dir, img_src),
+        # 相对于JSON文件父目录的路径
+        os.path.join(os.path.dirname(json_dir), img_src),
+        # imgs目录（常见的图片目录）
+        os.path.join(json_dir, 'imgs', os.path.basename(img_src)),
+        os.path.join(os.path.dirname(json_dir), 'imgs', os.path.basename(img_src)),
+        # images目录
+        os.path.join(json_dir, 'images', os.path.basename(img_src)),
+        os.path.join(os.path.dirname(json_dir), 'images', os.path.basename(img_src)),
+        # 同名目录
+        os.path.join(json_dir, os.path.splitext(os.path.basename(json_path))[0], os.path.basename(img_src)),
+    ]
+    
+    # 如果是绝对路径，也加入搜索
+    if os.path.isabs(img_src):
+        search_paths.insert(0, img_src)
+    
+    # 查找存在的文件
+    for path in search_paths:
+        if os.path.exists(path):
+            return path
+    
+    return None
+
+
+def process_html_images(html_content: str, json_path: str) -> str:
+    """
+    处理HTML内容中的图片引用，将本地图片转换为base64 - 增强版
+    """
+    import re
+    
+    # 匹配HTML图片标签: <img src="path" ... />
+    img_pattern = r'<img\s+[^>]*src\s*=\s*["\']([^"\']+)["\'][^>]*/?>'
+    
+    def replace_html_image(match):
+        full_tag = match.group(0)
+        img_src = match.group(1)
+        
+        # 如果已经是base64或者网络链接，直接返回
+        if img_src.startswith('data:image') or img_src.startswith('http'):
+            return full_tag
+        
+        # 增强的图片查找
+        full_img_path = find_image_in_multiple_locations(img_src, json_path)
+        
+        # 尝试转换为base64
+        try:
+            if full_img_path and os.path.exists(full_img_path):
+                with open(full_img_path, 'rb') as img_file:
+                    img_data = img_file.read()
+                    
+                # 获取文件扩展名确定MIME类型
+                ext = os.path.splitext(full_img_path)[1].lower()
+                mime_type = {
+                    '.png': 'image/png',
+                    '.jpg': 'image/jpeg',
+                    '.jpeg': 'image/jpeg',
+                    '.gif': 'image/gif',
+                    '.bmp': 'image/bmp',
+                    '.webp': 'image/webp'
+                }.get(ext, 'image/jpeg')
+                
+                # 转换为base64
+                img_base64 = base64.b64encode(img_data).decode('utf-8')
+                data_url = f"data:{mime_type};base64,{img_base64}"
+                
+                # 替换src属性，保持其他属性不变
+                updated_tag = re.sub(
+                    r'src\s*=\s*["\'][^"\']+["\']',
+                    f'src="{data_url}"',
+                    full_tag
+                )
+                return updated_tag
+            else:
+                # 文件不存在，显示详细的错误信息
+                search_info = f"搜索路径: {img_src}"
+                if full_img_path:
+                    search_info += f" -> {full_img_path}"
+                
+                error_content = f"""
+                <div style="
+                    color: #d32f2f; 
+                    border: 2px dashed #d32f2f; 
+                    padding: 10px; 
+                    margin: 10px 0; 
+                    border-radius: 5px;
+                    background-color: #ffebee;
+                    text-align: center;
+                ">
+                    <strong>🖼️ 图片无法加载</strong><br>
+                    <small>原始路径: {img_src}</small><br>
+                    <small>JSON文件: {os.path.basename(json_path)}</small><br>
+                    <em>请检查图片文件是否存在</em>
+                </div>
+                """
+                return error_content
+        except Exception as e:
+            # 转换失败，返回错误信息
+            error_content = f"""
+            <div style="
+                color: #f57c00; 
+                border: 2px dashed #f57c00; 
+                padding: 10px; 
+                margin: 10px 0; 
+                border-radius: 5px;
+                background-color: #fff3e0;
+                text-align: center;
+            ">
+                <strong>⚠️ 图片处理失败</strong><br>
+                <small>文件: {img_src}</small><br>
+                <small>错误: {str(e)}</small>
+            </div>
+            """
+            return error_content
+    
+    # 替换所有HTML图片标签
+    processed_content = re.sub(img_pattern, replace_html_image, html_content, flags=re.IGNORECASE)
+    return processed_content
+
 def process_markdown_images(md_content: str, json_path: str) -> str:
     """
     处理Markdown中的图片引用，将本地图片转换为base64
@@ -399,7 +527,17 @@ def process_markdown_images(md_content: str, json_path: str) -> str:
     processed_content = re.sub(img_pattern, replace_image, md_content)
     return processed_content
 
+def process_all_images_in_content(content: str, json_path: str) -> str:
+    """
+    处理内容中的所有图片引用（包括Markdown和HTML格式）
+    """
+    # 先处理HTML图片
+    content = process_html_images(content, json_path)
+    # 再处理Markdown图片
+    content = process_markdown_images(content, json_path)
+    return content
 
+# 修改 load_ocr_data_file 函数
 def load_ocr_data_file(json_path: str, config: Dict) -> Tuple[List, str, str]:
     """加载OCR相关数据文件"""
     json_file = Path(json_path)
@@ -434,8 +572,8 @@ def load_ocr_data_file(json_path: str, config: Dict) -> Tuple[List, str, str]:
         with open(md_file, 'r', encoding='utf-8') as f:
             raw_md_content = f.read()
             
-        # 处理Markdown中的图片引用
-        md_content = process_markdown_images(raw_md_content, str(json_file))
+        # 处理内容中的所有图片引用（HTML和Markdown）
+        md_content = process_all_images_in_content(raw_md_content, str(json_file))
     
     # 推断图片路径
     image_name = json_file.stem
@@ -585,35 +723,54 @@ def get_ocr_statistics(ocr_data: List, text_bbox_mapping: Dict, marked_errors: s
 
 
 def convert_html_table_to_markdown(content: str) -> str:
-    """将HTML表格转换为Markdown表格格式"""
+    """将HTML表格转换为Markdown表格格式 - 支持横向滚动的增强版本"""
     def replace_table(match):
         table_html = match.group(0)
         
         # 提取所有行
-        rows = re.findall(r'<tr>(.*?)</tr>', table_html, re.DOTALL | re.IGNORECASE)
+        rows = re.findall(r'<tr[^>]*>(.*?)</tr>', table_html, re.DOTALL | re.IGNORECASE)
         if not rows:
             return table_html
         
         markdown_rows = []
-        for i, row in enumerate(rows):
-            # 提取单元格
-            cells = re.findall(r'<td[^>]*>(.*?)</td>', row, re.DOTALL | re.IGNORECASE)
+        max_cols = 0
+        
+        # 处理所有行，找出最大列数
+        processed_rows = []
+        for row in rows:
+            # 提取单元格，支持 th 和 td
+            cells = re.findall(r'<t[hd][^>]*>(.*?)</t[hd]>', row, re.DOTALL | re.IGNORECASE)
             if cells:
-                # 清理单元格内容
                 clean_cells = []
                 for cell in cells:
                     cell_text = re.sub(r'<[^>]+>', '', cell).strip()
                     cell_text = unescape(cell_text)
-                    clean_cells.append(cell_text)
-                
-                # 构建Markdown行
-                markdown_row = '| ' + ' | '.join(clean_cells) + ' |'
-                markdown_rows.append(markdown_row)
+                    # 限制单元格长度，避免表格过宽
+                    if len(cell_text) > 30:
+                        cell_text = cell_text[:27] + "..."
+                    clean_cells.append(cell_text or " ")  # 空单元格用空格替代
                 
-                # 在第一行后添加分隔符
-                if i == 0:
-                    separator = '| ' + ' | '.join(['---'] * len(clean_cells)) + ' |'
-                    markdown_rows.append(separator)
+                processed_rows.append(clean_cells)
+                max_cols = max(max_cols, len(clean_cells))
+        
+        # 统一所有行的列数
+        for i, row_cells in enumerate(processed_rows):
+            while len(row_cells) < max_cols:
+                row_cells.append(" ")
+            
+            # 构建Markdown行
+            markdown_row = '| ' + ' | '.join(row_cells) + ' |'
+            markdown_rows.append(markdown_row)
+            
+            # 在第一行后添加分隔符
+            if i == 0:
+                separator = '| ' + ' | '.join(['---'] * max_cols) + ' |'
+                markdown_rows.append(separator)
+        
+        # 添加滚动提示
+        if max_cols > 8:
+            scroll_note = "\n> 📋 **提示**: 此表格列数较多，在某些视图中可能需要横向滚动查看完整内容。\n"
+            return scroll_note + '\n'.join(markdown_rows) if markdown_rows else table_html
         
         return '\n'.join(markdown_rows) if markdown_rows else table_html