# 🔍 OCR 可视化验证系统

一个功能强大的 OCR 识别与验证系统，集成了多种 OCR 工具支持、智能交叉验证、可视化校验和表格数据分析功能，专为财务报表、数据表格等复杂文档设计。

## ✨ 核心功能

### 🎯 多工具 OCR 支持

- **Dots OCR**：专业 VLM OCR 引擎
- **PaddleOCR PPStructV3**：结构化文档识别
- **PaddleOCR-VL**：视觉语言模型增强版
- **Table Recognition V2**：专业表格识别
- **MinerU VLM**：多模态文档理解

### 🔄 智能交叉验证

- **多数据源对比**：支持不同 OCR 工具结果的交叉验证
- **细粒度差异检测**：精确到单元格级别的差异分析
- **智能表格对比**：
  - 标准表格模式（`standard`）
  - 流水表格模式（`flow_list`）- 支持表头位置智能检测
  - **资产负债表等多层表头识别**：自动识别总表头和分类标题
  - 自动列类型检测（数字、日期、文本、文本型数字）
- **差异分类统计**：
  - 金额差异（`table_amount`）- 严重度：**high**
  - 日期时间差异（`table_datetime`）- 严重度：**medium**
  - 文本差异（`table_text`）- 严重度：**low/medium**（根据相似度）
  - 表头差异（位置、内容、结构）
  - 段落差异
  - **列类型冲突**（自动提升严重度到 **high**）

### 📊 可视化校验工具

- **交互式图像标注**：点击文本高亮对应图像位置
- **精确坐标定位**：基于 bbox 的精确位置标示
- **旋转角度处理**：
  - 自动检测文档旋转角度
  - 支持手动调整旋转
  - 智能坐标转换
- **多渲染模式**：
  - HTML 渲染（支持横向滚动）
  - Markdown 渲染
  - DataFrame 表格
  - 原始文本

### 📈 表格数据分析

- **智能表格解析**：自动识别并转换 HTML 表格
- **交互式操作**：
  - 过滤（按列值、关键词）
  - 排序（升序/降序）
  - 分页显示
  - 列选择显示
- **数据导出**：支持 CSV、Excel 格式
- **统计分析**：自动生成数值列统计信息

### 🔧 数字标准化

- 全角/半角字符转换
- 千分位分隔符标准化
- 小数点格式统一
- 支持批量标准化处理

## 🚀 快速开始

### 环境配置

```bash
# 创建 conda 环境
conda create -n py312 python=3.12 -y
conda activate py312

# 克隆项目
git clone https://gitee.com/zhch158_admin/ocr_verify.git
cd ocr_verify

# 安装依赖
pip install -r requirements.txt
# 或手动安装核心依赖
pip install streamlit plotly pandas pillow numpy opencv-python openpyxl \
    beautifulsoup4 pyyaml fuzzywuzzy python-Levenshtein
```

### 配置文件

编辑配置文件（详见 [`config/README.md`](config/README.md)）：

#### 1. 全局配置 (`config/global.yaml`)

```yaml
data_sources:
  - 德_内蒙古银行照.yaml
  - 对公_招商银行图.yaml
  - A用户_单元格扫描流水.yaml
  - B用户_扫描流水.yaml
  - 至远彩色_2023年报.yaml
```

#### 2. 项目配置示例 (`config/B用户_扫描流水.yaml`)

```yaml
document:
  name: "B用户_扫描流水"
  base_dir: "/Users/zhch158/workspace/data/流水分析/B用户_扫描流水"
  
  ocr_results:
    # PPStructV3
    - tool: "ppstructv3"
      result_dir: "ppstructurev3_client_results"
      image_dir: "ppstructurev3_client_results/{{name}}"
      description: "PPStructV3 图片合成结果"
      enabled: true
    
    # PaddleOCR-VL
    - tool: "paddleocr_vl"
      result_dir: "paddleocr_vl_results"
      image_dir: "paddleocr_vl_results/{{name}}"
      description: "PaddleOCR VLM 图片合成结果"
      enabled: true
    
    # MinerU
    - tool: "mineru"
      result_dir: "mineru_vllm_results"
      image_dir: "mineru_vllm_results/{{name}}"
      description: "MinerU 图片合成结果"
      enabled: true
    
    # Dots OCR
    - tool: "dots_ocr"
      result_dir: "dotsocr_vllm_results"
      image_dir: "dotsocr_vllm_results/{{name}}"
      description: "Dots OCR 图片合成结果"
      enabled: true
```

**配置说明**：
- `document.name`：项目名称
- `base_dir`：项目根目录（绝对路径）
- `ocr_results`：OCR 工具结果配置数组
  - `tool`：工具标识（`ppstructv3` / `paddleocr_vl` / `mineru` / `dots_ocr`）
  - `result_dir`：结果目录（相对于 `base_dir`）
  - `image_dir`：图像目录（支持 `{{name}}` 模板变量）
  - `description`：工具描述
  - `enabled`：是否启用（`true` / `false`）

**详细配置说明**见 [`config/README.md`](config/README.md)

## 📖 使用指南

### 1️⃣ 启动可视化验证工具

```bash
# 启动 Streamlit 应用
python -m streamlit run streamlit_ocr_validator.py

# 或使用启动脚本
python run_streamlit_validator.py
```

**功能模块：**

#### 📄 内容人工检查

- 选择数据源和页码
- 点击文本内容查看图像位置
- 旋转图像调整角度
- 显示所有文本框或仅显示选中框

#### 🔍 交叉验证结果

- 选择两个不同的 OCR 数据源
- 点击「交叉验证」按钮运行批量验证
- 查看详细的差异对比结果（支持按严重度筛选）
- 下载验证报告（Excel、JSON）

#### 📊 表格分析

- 解析 HTML 表格为 DataFrame
- 过滤、排序、搜索表格数据
- 导出表格为 CSV 或 Excel
- 查看统计信息

### 2️⃣ 命令行对比工具

使用 `comparator/compare_ocr_results.py` 进行命令行对比（详见 [`comparator/README.md`](comparator/README.md)）：

```bash
# 基本对比
python comparator/compare_ocr_results.py file1.md file2.md

# 使用流水表格模式（智能表头检测 + 多层表头识别）
python comparator/compare_ocr_results.py file1.md file2.md \
    --table-mode flow_list \
    --similarity-algorithm ratio \
    -o output/comparison_result \
    -f both

# 资产负债表对比（自动识别多层表头）
python comparator/compare_ocr_results.py balance_sheet1.md balance_sheet2.md \
    --table-mode flow_list \
    -o balance_sheet_comparison
```

**参数说明：**

- `-o, --output`：输出文件名（不含扩展名）
- `-f, --format`：输出格式（`json`、`markdown`、`both`）
- `--table-mode`：表格比对模式
  - `standard`：标准表格（结构固定）
  - `flow_list`：流水表格（智能表头检测、支持多层表头）
- `--similarity-algorithm`：相似度算法
  - `ratio`：标准相似度
  - `partial_ratio`：部分匹配
  - `token_sort_ratio`：排序后匹配
  - `token_set_ratio`：集合匹配
- `--ignore-images`：忽略图片内容对比

**详细文档**：参见 [`comparator/README.md`](comparator/README.md)

### 3️⃣ OCR 结果合并工具

合并不同 OCR 工具的识别结果，提升准确性（详见 [`merger/README.md`](merger/README.md)）：

```bash
# 合并 MinerU 和 PaddleOCR 结果
python merger/merge_mineru_paddle_ocr.py \
    --mineru-dir /path/to/mineru/output \
    --paddle-dir /path/to/paddleocr/output \
    --output-dir /path/to/merged/output

# 合并 PaddleOCR-VL 和 PaddleOCR 结果
python merger/merge_paddleocr_vl_paddleocr.py \
    --paddleocr-vl-dir /path/to/paddleocr_vl/output \
    --paddle-dir /path/to/paddleocr/output \
    --output-dir /path/to/merged/output

# 合并 Dots OCR 和 PaddleOCR 结果
python merger/merge_dotsocr_paddleocr.py \
    --dotsocr-dir /path/to/dotsocr/output \
    --paddle-dir /path/to/paddleocr/output \
    --output-dir /path/to/merged/output
```

**合并策略：**

- **表格内容**：优先使用 VLM 工具（MinerU/PaddleOCR-VL/Dots OCR）的结果
- **表格坐标**：使用 PaddleOCR 的全局 OCR 文本块坐标（更精确）
- **文本内容**：智能匹配并合并

**详细文档**：参见 [`merger/README.md`](merger/README.md)

### 4️⃣ 批量处理工具

批量处理 PDF 文档并合并 OCR 结果（详见 [`batch_ocr/README.md`](batch_ocr/README.md)）：

```bash
# 批量处理 PDF 列表
python batch_ocr/batch_process_pdf.py \
    --config batch_ocr/processor_configs.yaml \
    --pdf-list batch_ocr/pdf_list.txt

# 批量合并 OCR 结果
python batch_ocr/batch_merge_results.py \
    --config batch_ocr/processor_configs.yaml \
    --pdf-list batch_ocr/pdf_list.txt \
    --merge-mode mineru_paddle
```

**配置文件示例** (`processor_configs.yaml`)：

```yaml
processors:
  mineru:
    command: "magic-pdf"
    args:
      - "-p"
      - "{pdf_path}"
      - "-o"
      - "{output_dir}"
    output_structure: "auto/{pdf_name}/auto"
  
  paddleocr:
    command: "paddleocr"
    args:
      - "--image_dir"
      - "{image_dir}"

```

**详细文档**：参见 [`batch_ocr/README.md`](batch_ocr/README.md)

### 5️⃣ 数字标准化工具

使用 `normalize_financial_numbers.py`：

```python
from normalize_financial_numbers import normalize_financial_numbers, normalize_json_file

# 标准化文本中的数字
text = "２０２３年净利润为２８，２３９，３０５．４８元"
normalized = normalize_financial_numbers(text)
# 输出: "2023年净利润为28,239,305.48元"

# 批量标准化 JSON 文件
normalize_json_file("input.json", "output.json")
```

## 📁 项目结构

```
ocr_verify/
├── streamlit_ocr_validator.py          # 主应用入口
├── streamlit_validator_core.py         # 核心验证器类
├── streamlit_validator_ui.py           # UI 组件
├── streamlit_validator_table.py        # 表格处理
├── streamlit_validator_cross.py        # 交叉验证
├── streamlit_validator_result.py       # 结果展示
├── ocr_validator_layout.py             # 布局管理
├── ocr_validator_utils.py              # 工具函数
├── ocr_validator_file_utils.py         # 文件处理
├── normalize_financial_numbers.py      # 数字标准化
├── styles.css                          # 样式文件
├── requirements.txt                    # 依赖列表
├── config/                             # 配置文件目录 ✨
│   ├── global.yaml                    # 全局配置
│   ├── 至远彩色_2023年报.yaml         # 年报类项目配置
│   ├── A用户_单元格扫描流水.yaml      # 流水表格配置
│   ├── B用户_扫描流水.yaml            # 流水表格配置
│   ├── 德_内蒙古银行照.yaml           # 银行流水配置
│   ├── 对公_招商银行图.yaml           # 银行流水配置
│   └── README.md                      # 配置文档 ✨
├── comparator/                         # OCR 结果对比模块
│   ├── compare_ocr_results.py         # 命令行对比工具
│   ├── ocr_comparator.py              # 核心对比器
│   ├── table_comparator.py            # 表格对比器（✨ 支持多层表头）
│   ├── paragraph_comparator.py        # 段落对比器
│   ├── similarity_calculator.py       # 相似度计算
│   ├── data_type_detector.py          # 数据类型检测
│   ├── content_extractor.py           # 内容提取器
│   ├── text_processor.py              # 文本处理器
│   ├── report_generator.py            # 报告生成器
│   └── README.md                      # 对比模块文档
├── merger/                             # OCR 结果合并模块
│   ├── merge_mineru_paddle_ocr.py     # MinerU + PaddleOCR 合并
│   ├── merge_paddleocr_vl_paddleocr.py # PaddleOCR-VL + PaddleOCR 合并
│   ├── merge_dotsocr_paddleocr.py     # Dots OCR + PaddleOCR 合并
│   ├── merger_core.py                 # 合并核心逻辑
│   ├── text_matcher.py                # 文本匹配器（fazz partial_ratio算法）
│   ├── bbox_extractor.py              # 坐标提取器
│   ├── data_processor.py              # 数据处理器
│   ├── markdown_generator.py          # Markdown 生成器
│   ├── unified_output_converter.py    # 统一输出转换器
│   └── README.md                      # 合并模块文档
├── batch_ocr/                          # 批量处理模块
│   ├── batch_process_pdf.py           # 批量 PDF 处理
│   ├── batch_merge_results.py         # 批量结果合并
│   ├── processor_configs.yaml         # 处理器配置
│   ├── pdf_list.txt                   # PDF 列表
│   └── README.md                      # 批量处理文档
├── output/                             # 输出目录
│   └── pre_validation/                # 交叉验证结果
├── .streamlit/                         # Streamlit 配置
│   └── config.toml                    # Streamlit 设置
└── README.md                          # 项目总文档（本文件）
```

## 🎯 核心功能详解

### 交叉验证流程

1. **数据源选择**
   - 在 Streamlit 界面选择 OCR 数据源（从配置文件加载）
   - 选择验证数据源（用于交叉对比）

2. **批量验证**
   - 自动匹配相同页码的文件
   - 逐页进行差异检测
   - 生成详细验证报告

3. **差异分析**
   - **表格差异**：逐单元格对比（支持多层表头）
   - **段落差异**：智能段落匹配
   - **结构差异**：表头位置、行缺失等
   - **严重度分级**：critical > high > medium > low

4. **结果展示**
   - 差异列表（按类型、严重程度分类）
   - 统计图表（饼图、柱状图）
   - 详细对比视图（左右对照）

### 表格对比算法

#### 标准模式 (`standard`)

- 适用于结构固定的表格
- 逐行逐列对比
- 适合财务报表、数据统计表

#### 流水表格模式 (`flow_list`) ✨

**智能表头检测：**

```python
# 自动检测表头位置（支持多层表头）
header_row_idx = detect_table_header_row(table)

# 检测策略：
# 1. 关键词匹配（日期、金额、余额、资产、负债等）
# 2. 下一行验证（数据行/分类行）
# 3. 多层表头识别（资产负债表等）
```

**✨ 新增：多层表头识别**

针对资产负债表等特殊表格：

```python
# 示例表格结构：
# 第1行：['资产', '期末余额', '期初余额', '负债及所有者权益', '期末余额', '期初余额']  ← 总表头
# 第2行：['流动资产:', '', '', '流动负债:', '', '']  ← 分类标题（分类行）
# 第3行：['货币资金', '28,239,305.48', '68,162,260.60', ...]  ← 数据行

def _is_category_row(row):
    """识别分类行（如"流动资产:"）"""
    patterns = [
        r'.*:$',  # 以冒号结尾
    ]
    # 返回 True 表示是分类行

# 评分调整：
# - 数据行：+0.2 分
# - 分类行：+0.1 分（新增）
```

**列类型检测：**

- `numeric`：数字金额
- `datetime`：日期时间
- `text_number`：文本型数字（如票据号）
- `text`：普通文本

**✨ 差异严重度改进：**

```python
# 基础严重度（由单元格对比决定）
base_severity = {
    'table_amount': 'high',        # 金额差异
    'table_datetime': 'medium',    # 日期差异
    'table_text': 'low/medium'     # 文本差异（根据相似度）
}

# 列类型冲突自动提升
if col_idx in mismatched_columns:
    if base_severity != 'high':
        final_severity = 'high'  # 提升到 high
```

**适用场景：**

- 银行流水表
- 交易记录
- **资产负债表**（✨ 多层表头）
- **利润表**
- 流水日志

### 表格匹配算法

智能匹配两个文件中的表格，支持：

1. **行列数相似度** (30%)
   - 行数相似度 (15%)
   - 列数相似度 (15%) - ✨ 改进：容忍 1-2 列差异
2. **表头相似度** (50%) - 最重要
   - 精确匹配 (40%)
   - 模糊匹配 (40%)
   - 语义匹配 (20%) - 识别常见表头关键词
3. **内容特征相似度** (20%)

```python
# 表格匹配示例
matches = find_matching_tables(tables1, tables2)
# 输出: [(0, 0, 95.2), (1, 1, 87.3)]
# 格式: (文件1表格索引, 文件2表格索引, 相似度%)
```

### OCR 结果合并策略

#### 1. MinerU + PaddleOCR 合并

```python
# 表格内容：优先 MinerU（VLM 更准确）
# 表格坐标：使用 PaddleOCR 全局 OCR 坐标（更精确）
merged_result = merge_mineru_paddleocr(mineru_json, paddle_json)
```

#### 2. PaddleOCR-VL + PaddleOCR 合并

```python
# 表格内容：优先 PaddleOCR-VL
# 表格坐标：使用 PaddleOCR 全局 OCR 坐标
merged_result = merge_paddleocr_vl_paddleocr(vl_json, paddle_json)
```

#### 3. Dots OCR + PaddleOCR 合并

```python
# 表格内容：优先 Dots OCR
# 表格坐标：使用 PaddleOCR 全局 OCR 坐标
merged_result = merge_dotsocr_paddleocr(dots_json, paddle_json)
```


## 📊 输出示例

### 交叉验证报告

#### JSON 格式

```json
{
  "differences": [
    {
      "type": "table_amount",
      "position": "第15行第5列",
      "file1_value": "15.00",
      "file2_value": "15,00",
      "description": "金额不一致: 15.00 vs 15,00",
      "severity": "high",
      "column_name": "金额",
      "column_type": "numeric",
      "row_index": 15,
      "col_index": 4
    },
    {
      "type": "table_header_position",
      "position": "表头位置",
      "file1_value": "第1行",
      "file2_value": "第2行",
      "description": "表头位置不一致: 文件1在第1行，文件2在第2行",
      "severity": "high"
    },
    {
      "type": "table_text",
      "position": "第20行第3列",
      "file1_value": "流动资产",
      "file2_value": "流动 资产",
      "description": "文本不一致: 流动资产 vs 流动 资产 [列类型冲突]",
      "severity": "high",
      "column_type_mismatch": true
    }
  ],
  "statistics": {
    "total_differences": 42,
    "table_differences": 35,
    "amount_differences": 8,
    "datetime_differences": 3,
    "text_differences": 24,
    "paragraph_differences": 7,
    "critical_severity": 2,
    "high_severity": 11,
    "medium_severity": 17,
    "low_severity": 12
  }
}
```

#### Markdown 格式

```markdown
# OCR结果对比报告

## 统计信息
- 总差异数量: **42**
- 表格差异: **35**
  - 金额差异: **8** (严重度: high)
  - 日期差异: **3** (严重度: medium)
  - 文本差异: **24** (严重度: low/medium)
  - 列类型冲突: **3** (严重度提升至: high)
- 段落差异: **7**

## 差异详情（按严重度分类）

### ❌ 严重差异 (Critical)
| 序号 | 位置 | 类型 | 原OCR结果 | 验证结果 | 描述 |
|------|------|------|-----------|----------|------|
| 1 | 表格列类型 | table_header_critical | 5列类型不一致 | 共10列 | 列类型差异过大 (50%) |

### ⚠️ 高优先级差异 (High)
| 序号 | 位置 | 类型 | 原OCR结果 | 验证结果 | 描述 |
|------|------|------|-----------|----------|------|
| 1 | 第15行第5列 | table_amount | 15.00 | 15,00 | 金额不一致 |
| 2 | 第20行第3列 | table_text | 流动资产 | 流动 资产 | 文本不一致 [列类型冲突] |

### ℹ️ 中优先级差异 (Medium)
...

### 💡 低优先级差异 (Low)
...
```

## 🔧 高级配置

### 配置文件结构

项目使用 YAML 配置文件管理数据源和工具参数（详见 [`config/README.md`](config/README.md)）。

**全局配置** (`config/global.yaml`)：

```yaml
data_sources:
  - 德_内蒙古银行照.yaml
  - 对公_招商银行图.yaml
  - A用户_单元格扫描流水.yaml
  - B用户_扫描流水.yaml
  - 至远彩色_2023年报.yaml
```

**项目配置** (`config/B用户_扫描流水.yaml`)：

```yaml
document:
  name: "B用户_扫描流水"
  base_dir: "/Users/zhch158/workspace/data/流水分析/B用户_扫描流水"
  
  ocr_results:
    - tool: "ppstructv3"
      result_dir: "ppstructurev3_client_results"
      image_dir: "ppstructurev3_client_results/{{name}}"
      description: "PPStructV3 图片合成结果"
      enabled: true
    
    - tool: "mineru"
      result_dir: "mineru_vllm_results"
      image_dir: "mineru_vllm_results/{{name}}"
      description: "MinerU 图片合成结果"
      enabled: true
```

**配置参数说明**：
- `document.name`：项目名称（用于模板变量替换）
- `base_dir`：项目根目录（绝对路径）
- `tool`：OCR 工具标识（`ppstructv3` / `paddleocr_vl` / `mineru` / `dots_ocr`）
- `result_dir`：结果目录（相对于 `base_dir`）
- `image_dir`：图像目录（支持 `{{name}}` 模板变量）
- `enabled`：是否启用该数据源

### 批量处理配置

在 `batch_ocr/processor_configs.yaml` 中配置（详见 [`batch_ocr/README.md`](batch_ocr/README.md)）：

```yaml
processors:
  mineru:
    command: "magic-pdf"
    args:
      - "-p"
      - "{pdf_path}"
      - "-o"
      - "{output_dir}"
      - "--method"
      - "auto"
    output_structure: "auto/{pdf_name}/auto"
    
  paddleocr:
    command: "paddleocr"
    args:
      - "--image_dir"
      - "{image_dir}"
      - "--type"
      - "structure"
      - "--det_model_dir"
      - "models/ch_PP-OCRv4_det_infer"
      - "--rec_model_dir"
      - "models/ch_PP-OCRv4_rec_infer"
    output_structure: "{pdf_name}/ppstructure"

merge:
  mineru_paddle:
    priority: "mineru"  # 表格内容优先级
    coordinate_source: "paddleocr"  # 坐标来源
    iou_threshold: 0.5  # IoU 匹配阈值
```

### Streamlit 配置

编辑 `.streamlit/config.toml`：

```toml
[theme]
primaryColor = "#0288d1"
backgroundColor = "#ffffff"
secondaryBackgroundColor = "#f5f5f5"
textColor = "#262730"
font = "sans serif"

[server]
maxUploadSize = 200
enableXsrfProtection = true
enableCORS = false

[browser]
gatherUsageStats = false
```

## 🐛 常见问题

### Q1: 图像显示位置不正确？

**A:** 检查配置文件中的 OCR 工具坐标参数设置（不同工具的坐标处理方式可能不同）。

### Q2: 交叉验证结果为空？

**A:** 
- 确保两个数据源包含相同页码的文件
- 检查配置文件中的 `enabled: true` 设置
- 验证 `base_dir` 和 `result_dir` 路径正确

### Q3: 表格对比差异过多？

**A:** 
- 在命令行工具中使用 `--table-mode flow_list`（智能表头检测）
- 调整相似度算法参数（如使用 `--similarity-algorithm token_set_ratio`）
- ✨ **检查表格结构是否为多层表头（如资产负债表）** - 算法会自动识别

### Q4: 表格坐标不准确？

**A:** 使用合并工具结合 PaddleOCR 的全局 OCR 坐标：

```bash
python merger/merge_mineru_paddle_ocr.py \
    --mineru-dir /path/to/mineru \
    --paddle-dir /path/to/paddleocr \
    --output-dir /path/to/output
```

### Q5: 如何处理资产负债表等多层表头？✨

**A:** 使用 `flow_list` 模式，算法会自动检测多层表头：

```bash
python comparator/compare_ocr_results.py balance_sheet1.md balance_sheet2.md \
    --table-mode flow_list
```

**识别逻辑：**
1. 第1行：总表头（如"资产"、"负债"）
2. 第2行：分类标题（如"流动资产:"）- 识别为分类行
3. 第3行起：数据行

**调试信息：**
```
📍 检测到表头在第 1 行 (得分: 0.87)
   行数对比: 10 vs 10, 相似度: 100.0%
   列数对比: 6 vs 6, 相似度: 100.0%
   表头位置: 文件1第1行, 文件2第1行
   表头相似度: 92.5%
      精确匹配: 83%, 模糊匹配: 100%, 语义匹配: 100%
```

### Q6: 配置文件不生效？

**A:** 
- 检查 `global.yaml` 中是否正确引用了项目配置文件
- 确认 YAML 语法正确（缩进必须用空格，不能用 Tab）
- 确保配置文件在 `config/` 目录下
- 重启 Streamlit 应用

### Q7: 模板变量未替换？

**A:** 
- 确认使用了正确的模板变量语法：`{{name}}`
- 检查 `document.name` 是否已定义
- 查看 Streamlit 控制台的路径解析日志

### Q8: 批量处理失败？

**A:** 
- 检查 `processor_configs.yaml` 配置是否正确
- 确保 PDF 路径正确且可访问
- 查看日志文件定位具体错误

### Q9: 列类型冲突导致差异过多？✨

**A:** 这是正常现象，列类型冲突会自动将差异严重度提升到 `high`：

```json
{
  "type": "table_text",
  "severity": "high",
  "column_type_mismatch": true,
  "description": "文本不一致 [列类型冲突]"
}
```

**建议：**
1. 检查两个 OCR 工具的列类型检测是否准确
2. 如果某一工具明显错误，优先使用另一工具的结果
3. 考虑使用合并工具优化结果

## 📝 开发说明

### 扩展开发

#### 新增 OCR 工具

1. 在配置文件中添加工具配置
2. 在 `merger/` 中实现合并逻辑（如需要）
3. 更新 `config/README.md` 文档

#### 自定义对比算法

```python
from comparator.ocr_comparator import OCRResultComparator

class CustomComparator(OCRResultComparator):
    def compare_tables(self, table1, table2):
        # 自定义对比逻辑
        pass
```

#### 新增渲染模式

在 `ocr_validator_layout.py` 中扩展：

```python
def render_custom_mode(self, content):
    # 自定义渲染逻辑
    pass
```

## 📞 联系方式

- **作者**: zhch158_admin
- **邮箱**: zhch158@sina.com
- **仓库**: https://gitee.com/zhch158_admin/ocr_verify.git

## 🙏 致谢

感谢以下开源项目的支持：

- [PaddleOCR](https://github.com/PaddlePaddle/PaddleOCR) - 文档识别
- [MinerU](https://github.com/opendatalab/MinerU) - 文档识别
- [Dots OCR](https://github.com/rednote-hilab/dots.ocr.git) - 文档识别
- [Streamlit](https://streamlit.io/) - Web 应用框架
- [Plotly](https://plotly.com/) - 数据可视化

---

**最后更新**: 2025年11月7日