# 统一社会信用代码 OCR 核实配方

## 适用场景
合同首页甲乙方统一社会信用代码 OCR 乱码（如 "MA INAEBX26" 应为 "MA1NAEBX26"），需要核实正确值。

## 核实步骤

### 1. tesseract 重读首页
```bash
# 渲染首页 200 DPI
python3 -c "
import fitz
doc = fitz.open('合同.pdf')
page = doc[0]
mat = fitz.Matrix(200/72, 200/72)
pix = page.get_pixmap(matrix=mat)
pix.save('page1.png')
"

# 裁剪公司名+信用代码区域（通常页面 15-30% 高度）
python3 -c "
from PIL import Image
img = Image.open('page1.png')
w, h = img.size
crop = img.crop((0, int(h*0.15), w, int(h*0.30)))
crop.save('page1_credit.jpg', 'JPEG', quality=75)
"

# tesseract 读取
tesseract page1_credit.jpg stdout -l chi_sim+eng --psm 6
```

### 2. 企查查 web 搜索交叉验证
```
web_search: "公司全称" 统一社会信用代码 企查查
```
企查查结果通常直接显示完整 18 位信用代码。

### 3. 校验位验证（Python）
统一社会信用代码第 18 位是校验位，可用以下脚本验证：
```python
def verify_credit_code(code):
    if len(code) != 18:
        return False
    weights = [1,3,9,27,19,26,16,17,20,29,25,13,8,24,10,30,28]
    chars = '0123456789ABCDEFGHJKLMNPQRTUWXY'
    code_map = {c:i for i,c in enumerate(chars)}
    total = sum(code_map[code[i]] * weights[i] for i in range(17))
    check = 31 - (total % 31)
    if check == 31: check = 0
    expected = chars[check] if check < len(chars) else '?'
    return expected == code[17], expected, code[17]
```

## OCR 常见误识模式
- `MA1NAEBX26` → `MA INAEBX26`（数字0被识别为空格）
- `MADQRFT66P` → `MADQRFT66P`（通常正确，但需验证末位校验位）
- 数字 `0` 和字母 `O` 混淆
- 数字 `1` 和字母 `I` 混淆

## 判据
- tesseract 重读结果与企查查一致 → 采用
- tesseract 重读结果与企查查不一致 → 以企查查为准（企查查是权威工商数据源）
- 校验位验证不通过 → OCR 有误，回企查查取正确值

## 与 OCR 完整性检查脚本的关系
`ocr-integrity-check.py` 已修复：信用代码中的字母序列（前后有数字的）不再误报为"公司名乱码"。修复方式：检测字母序列前后是否为数字，如是则跳过。

## 2026-06-29 实证
- 解放中路：甲方 "91320600MA1NAEBX26"（企查查确认）
- 通大附：甲方 "91320600MA1NAEBX26"（企查查确认）
- 通大附：乙方 "91320602MADQRFT66P"（校验位 P 验证通过）