优化可用OCR文件查找功能，新增页码提取和排序逻辑，返回更详细的文件信息

ocr_validator_utils.py

@@ -710,9 +710,40 @@ def find_available_ocr_files(ocr_out_dir: str) -> List[str]:
             for json_file in search_dir.rglob("*.json"):
                 available_files.append(str(json_file))
     # 去重并排序
-    available_files = sorted(list(set(available_files)))
+    # available_files = sorted(list(set(available_files)))
+    # 解析文件名并提取页码信息
+    file_info = []
+    for file_path in available_files:
+        file_name = Path(file_path).stem
+        # 提取页码 (例如从 "2023年度报告母公司_page_001" 中提取 "001")
+        if 'page_' in file_name:
+            try:
+                page_part = file_name.split('page_')[-1]
+                page_num = int(page_part)
+                file_info.append({
+                    'path': file_path,
+                    'page': page_num,
+                    'display_name': f"第{page_num}页"
+                })
+            except ValueError:
+                # 如果无法解析页码，使用文件名
+                file_info.append({
+                    'path': file_path,
+                    'page': len(file_info) + 1,
+                    'display_name': Path(file_path).stem
+                })
+        else:
+            # 对于没有page_的文件，按顺序编号
+            file_info.append({
+                'path': file_path,
+                'page': len(file_info) + 1,
+                'display_name': Path(file_path).stem
+        })
+            
+    # 按页码排序
+    file_info.sort(key=lambda x: x['page'])
 
-    return available_files
+    return file_info
 
 
 def get_ocr_tool_info(ocr_data: List) -> Dict: