OCR + Vision 双引擎校对流程 (跃龙路经验 0703)

问题背景

扫描件PDF用ocrmypdf提取的文字有大量识别错误：

数字被乱码覆盖（如金额行变成 SH CAL bi 等）
合同条款编号错位
签章区域干扰正文识别
"扫描全能王"水印被当正文

推荐流程

Step 1: OCR提取（作为初始底稿）

ocrmypdf --force-ocr -l chi_sim+eng --sidecar /tmp/XXX-ocr.txt input.pdf output.pdf

Step 2: PDF转图片（逐页）

import fitz
doc = fitz.open('input.pdf')
for i in range(len(doc)):
    page = doc[i]
    pix = page.get_pixmap(dpi=200)
    pix.save(f'/tmp/XXX-p{i+1}.png')

Step 3: Vision逐页核实（关键数据页）

优先核实：金额页（租金标准/各年租金/押金/物业费）
明确问题：指定需要逐字抄写的数据类型
每页一个vision_analyze调用，问题要具体

Step 4: 数学交叉验证

验算所有可推导的数字关系：

年递增：base × (1+rate)^(n-1) = 第n年租金
免租分摊：总额 ÷ 年数 = 每年减免
减免后 = 合同租金 - 年减免额
单价反推：年总额 ÷ 365 ÷ 面积 = 元/㎡/天
物业费：单价 × 面积 × 12 = 年总额

Step 5: 整理md全文

以vision核实的数据为准（非OCR原始文本）
保留合同结构（条款编号+标题）
签章信息如实记录（印章文字、编号）
空白/未填写项标注"（未填写）"
文件存放：同一文件夹，命名格式 XXX合同_全文.md

OCR常见错误类型（跃龙路实例）

原文	OCR错误
崇川区	贮川区
范存益	无法识别
6230520420020988877	6930520420020988877
361017.12	3610417.142
平方米	FAK
乙方	EM
续租	SA

效率提示

6页以内的合同：全部逐页vision（最可靠）
6页以上：OCR为底稿 + 关键数据页vision + 数学验算
所有金额/日期/面积/费率必须经vision确认，不能只信OCR

2.0 KiB Raw Permalink Blame History

OCR + Vision 双引擎校对流程 (跃龙路经验 0703)

问题背景

推荐流程

Step 1: OCR提取（作为初始底稿）

Step 2: PDF转图片（逐页）

Step 3: Vision逐页核实（关键数据页）

Step 4: 数学交叉验证

Step 5: 整理md全文

OCR常见错误类型（跃龙路实例）

效率提示

2.0 KiB

Raw Permalink Blame History