Ocr Kb

扫描 PDF OCR 与排版恢复工作流

0. 目录规范 (Directory Convention)

所有中间文件和最终产物应放入任务目录下的 resources/ 与 outputs/，避免污染项目根目录；不得移动或删除用户原始文件：

项目根目录/
├── resources/
│   ├── pages/          # 切分出的单页 PNG 图片
│   ├── figures/        # 从页面中裁剪出的独立科研配图（全局编号）
│   ├── md/             # 每页的 Markdown 提取结果 (page_1.md, page_2.md, ...)
│   ├── scripts/        # 所有 Python 辅助脚本（可跨任务复用，清理时不删除）
│   ├── compiled_paper.md  # 最终汇总的完整 Markdown
│   ├── config.json     # 任务配置（源 PDF、格式规范），整个任务期间不变
│   └── checkpoint.json # 运行时进度（当前页、计数器、失败页），随处理更新
├── outputs/
│   ├── <name>_checkpoint_p<N>.docx   # 核查点中间版本
│   └── <name>_final_<date>.docx      # 最终交付版本
├── ocr_kb/
│   └── SKILL.md        # 本文件
└── <source>.pdf        # 用户提供的原始 PDF

0.5 resources/config.json 规范 (Task Configuration)

在每次新任务启动时创建，整个任务期间不修改。续作时直接读取。所有管道共用同一 schema。

{
  "source_file": "2103.10360v2.pdf",
  "source_type": "pdf",
  "pipeline": "A",
  "format_style": "IEEE",
  "template_file": null,
  "total_units": 16,
  "unit_type": "page",
  "created_at": "2026-04-02T13:00:00+08:00"
}

[!NOTE] OCR 模式通常使用 source_type: "pdf", pipeline: "ocr" 或兼容旧 checkpoint 的 pipeline: "A", unit_type: "page"。

0.6 resources/checkpoint.json 规范 (Runtime Checkpoint)

在每完成一个单元（页或章节）的提取 + DOCX 追加后更新。**这是断点恢复的唯一依据。**所有管道共用同一 schema。

{
  "current_unit": 7,
  "unit_type": "page",
  "last_verified_unit": 6,
  "total_units": 16,
  "docx_path": "outputs/GLM_checkpoint_p6.docx",
  "global_figure_count": 4,
  "global_table_count": 2,
  "global_equation_count": 15,
  "needs_review": [3],
  "completed_units": [1, 2, 3, 4, 5, 6],
  "status": "suspended"
}

更新时机（以 Pipeline A 为例，B/C 将"页"替换为"章节"）：

• 每完成一个单元：更新 current_unit、completed_units、计数器
• 每 2 个单元核查后：更新 last_verified_unit
• 核查发现问题：向 needs_review 添加单元编号
• 每 4 个单元悬挂前：设 status = "suspended"，保存 DOCX 中间版本
• 全部完成后：设 status = "completed"

Pipeline A 中间版本命名：使用 _checkpoint_p<N> 表示页码。Pipeline B/C 使用 _checkpoint_s<N> 表示章节。

0.7 脚本接口契约 (Script Contracts)

[!IMPORTANT] 以下脚本如果 resources/scripts/ 中已存在，直接复用，不要重新生成。仅在不存在时才创建，且必须严格遵守下列接口。

split_pdf.py

用法: python resources/scripts/split_pdf.py <pdf_path> <output_dir> [--dpi 300]
输入: PDF 文件路径，输出目录路径
输出: output_dir/page_1.png, page_2.png, ..., page_N.png
退出码: 0 成功，非 0 失败
stdout: 最后一行输出 "TOTAL_PAGES=N"

extract_figures.py

用法: python resources/scripts/extract_figures.py <page_image> <page_num> <coords_json> <output_dir> <start_index>
输入:
  - page_image: 单页 PNG 路径
  - page_num: 页码（用于日志）
  - coords_json: JSON 字符串，格式 [{"x0%": 10, "y0%": 30, "x1%": 90, "y1%": 70, "caption": "Figure N: ..."}]
  - output_dir: 输出目录
  - start_index: 全局起始编号（从 checkpoint.global_figure_count + 1 开始）
输出: output_dir/figure_<start_index>.png, figure_<start_index+1>.png, ...
退出码: 0 成功，非 0 失败
stdout: 最后一行输出 "FIGURES_EXTRACTED=K"

generate_docx.py

用法: python resources/scripts/generate_docx.py <compiled_md> <config_json> <output_path>
输入:
  - compiled_md: 汇总后的 Markdown 文件路径
  - config_json: 任务配置文件路径（读取 format_style 等信息）
  - output_path: 输出 DOCX 文件路径
输出: 指定路径的 .docx 文件
退出码: 0 成功，非 0 失败

latex_to_omml.py

用法: python ocr_kb/scripts/latex_to_omml.py <latex_string> [--inline]
输入:
  - latex_string: LaTeX 公式字符串（不含 $ 定界符）
  - --inline: 可选标志，输出行内 <m:oMath> 而非块级 <m:oMathPara>
输出: 标准输出打印完整的 OMML XML 片段
  - 无 --inline时: <m:oMathPara>...</m:oMathPara>
  - 有 --inline时: <m:oMath>...</m:oMath>
退出码: 0 成功，非 0 失败
stderr: 转换失败时输出错误信息（不支持的 LaTeX 命令等）
支持范围: 基础运算、分式(\frac)、上下标、根号(\sqrt)、
  希腊字母、求和/积分(\sum/\int)、矩阵(\matrix/\pmatrix)、
  常用数学符号(\leq/\geq/\neq/\approx/\infty 等)

[!NOTE] 此脚本位于 ocr_kb/scripts/（不在 resources/scripts/），因为它是 Skill 自带的工具而非任务生成的临时脚本。所有管道共用此脚本。

1. 逐页精读与追加写入 (Page-by-Page Extraction)

对于切分好的每一张单页图片（resources/pages/page_N.png），执行以下操作：

1.1 纯文本读取

一页一页地用视觉能力精读图片，将文字原汁原味提取出来。

[!CAUTION] 标题格式规范：切勿在文本中保留多余或错误的 Markdown 标题符号（如 #### 3.2.3）。最终生成 DOCX 时排版脚本会自动映射目标模板（如 IEEE 的罗马数字 I, II, A, B 等）。提取的 Markdown 必须使用极其干净的 # 层级（如 ## 代表一级标题，### 代表二级标题），绝对禁止原文档的旧编号或多余的 # 号残留在最终正文内。

1.2 公式转译

页面中的独立公式或行内公式（包括表格、图注中的单个数学符号如 $d_{model}$），必须全部读成标准 LaTeX 语法（行内使用 $ $，独立块使用 $$ $$）。每个独立公式递增 checkpoint.json 的 global_equation_count。

[!IMPORTANT] 此举是为了在最终生成 DOCX 时，确保 Python 脚本能通过正则表达式精准捕获这两类边界，并调用 latex_to_omml.py 将它们全部挂载为 Word 原生 OMML 公式（<m:oMath> 或 <m:oMathPara>）。切勿遗漏变量的包裹，否则它们只能渲染成普通文本。

1.3 插图识别与智能裁剪

[!IMPORTANT] 禁止直接把整页截图作为图片插入 Markdown。必须从页面中精确识别并裁剪出独立的科研配图。

具体流程：

1. 识别：视觉读取当前页时，判断页面中是否存在独立的科研配图（Figure）或独立的表格图（Table 以图片形式呈现的）。
2. 定位：确定配图在页面上的大致位置百分比坐标 (x0%, y0%, x1%, y1%)。
3. 全局编号：从 checkpoint.json 读取 global_figure_count，本页新配图从 global_figure_count + 1 开始编号。裁剪完毕后更新 global_figure_count。表格同理使用 global_table_count。
4. 裁剪：使用 resources/scripts/extract_figures.py 或 PyMuPDF 的 page.get_pixmap(clip=Rect(...)) 方法，按坐标从高分辨率页面渲染中裁剪出单独的配图，保存到 resources/figures/figure_N.png（N 为全局编号）。
5. 引用：在 Markdown 中使用裁剪后的独立图片路径：

   ![Figure 4: 图注说明](resources/figures/figure_4.png)
   

1.4 写入

将当前页的提取结果写入 resources/md/page_N.md。

1.5 更新 Checkpoint

每写完一个 page_N.md 并追加到 DOCX 后，立即更新 checkpoint.json：

• current_unit += 1
• completed_units 添加当前页码
• 更新 global_figure_count / global_table_count / global_equation_count

2. 逐页 DOCX 生成与双页核查 (Incremental DOCX Generation)

[!IMPORTANT] 不再等到所有页面提取完毕后一次性生成 DOCX。每完成一页 MD 的提取，就立即将该页内容追加到正在构建的 DOCX 文件中。

2.1 单页流程

读一页图片 → 写 page_N.md → 将 page_N.md 内容追加到 DOCX → 更新 checkpoint.json

2.2 双页核查（每 2 页）

每完成 2 页的 DOCX 追加后，必须执行一次自检核查：

1. 回顾刚追加的 2 页内容在 DOCX 中的排版效果（字体、公式、配图位置、标题层级）。
2. 对照原始页面图片，确认没有信息丢失或格式错乱。
3. 核查通过：在 checkpoint.json 中更新 last_verified_unit。
4. 核查不通过：
   • 在 checkpoint.json 的 needs_review 数组中记录问题页码。
   • 尝试立即修复。如果修复成功，从 needs_review 中移除该页码。
   • 如果无法修复，不阻塞后续页面处理，但在最终汇总前 needs_review 必须清零。

2.3 上下文极限保护

• 连续处理 4 页后，必须主动悬挂（suspend）：
  1. 将 checkpoint.json 的 status 设为 "suspended"。
  2. 保存当前 DOCX 中间版本到 outputs/（命名规则见 §2.4）。
  3. 使用 保存 checkpoint 并向用户说明下一步 通知用户发送"继续"以刷新上下文窗口。
• 恢复后读取 checkpoint.json，从 current_unit 继续。

2.4 中间版本命名规则

[!NOTE] 每次保存新的核查点版本时，保留上一个版本不要删除，以便出问题时可以回退。

3. 最终排版定稿 (Final Typesetting)

3.1 needs_review 清零检查

在进入定稿之前，检查 checkpoint.json 的 needs_review：

• 不为空：列出所有待复查页码，逐页重新核查并修复。全部修复后才可继续。
• 为空：直接进入汇总。

3.2 汇总

将 resources/md/page_1.md ~ page_N.md 按顺序合并为 resources/compiled_paper.md。

3.3 生成最终 DOCX

使用 resources/scripts/generate_docx.py，按 config.json 中指定的格式规范生成最终排版文件，保存到 outputs/。

3.4 排版格式应用

排版参数从 config.json 的 format_params 读取（由主 SKILL.md §2.2 在启动时解析并写入）。

具体格式预设（IEEE / APA / 中国学位论文等）的完整参数表定义在主 SKILL.md §6 排版格式规范库中，本文件不再重复。

Pipeline A 的 DOCX 生成方式：使用 docx/SKILL.md 中的 docx-js 创建新文档，或使用 unpack-edit-pack 方式基于模板编辑。

关于 图片、表格、页眉页脚、分栏、公式 的排版细则，参见主 SKILL.md §5 通用排版细则。

3.5 更新 Checkpoint

设 checkpoint.json 的 status = "completed"，记录最终文件路径。

4. 执行口令指引 (Execution Triggers)

4.1 全新任务

用户发送 "按照某某格式排版这个 PDF" 时（主 SKILL.md 路由到 Pipeline A）：

1. 清理确认：按主 SKILL.md §1.1 执行环境清理确认。
2. 选定源文件：按主 SKILL.md §1.2 确认源 PDF 并选择 Pipeline A。
3. 创建配置：写 resources/config.json（pipeline: "A", unit_type: "page"）。
4. 切图：运行 resources/scripts/split_pdf.py。
5. 建立进度：创建 resources/checkpoint.json（current_unit = 1, unit_type: "page"，所有计数器归零）。
6. 逐页循环：按 §1 和 §2 执行。
7. 汇总定稿：按 §3 执行。
8. 输出报告：按主 SKILL.md §5 输出完成报告。

4.2 断点续作

用户发送 "继续" 时：

1. 读取 resources/checkpoint.json。
2. 从 current_unit 指定的页码继续逐页循环。
3. 所有全局计数器从 checkpoint 恢复，不重置。

4.3 部分重跑

用户发送 "重跑第 N 页" 或 "rerun page N" 时：

1. 读取 resources/checkpoint.json，确认第 N 页在 completed_units 中。
2. 重新读取 resources/pages/page_N.png，重新执行 §1 的提取流程。
3. 覆盖写入 resources/md/page_N.md。
4. 注意：如果该页有配图，需要更新对应的 figure_*.png，但不改变全局编号——复用原编号。
5. 从 needs_review 中移除 N（如果存在）。
6. 重新生成最终 DOCX（重新执行 §3.2 ~ §3.3）。

4.4 批量重跑

用户发送 "重跑第 X-Y 页" 时：

按 §4.3 对范围内每一页逐一执行重跑。

5. 完成后结构化总结 (Completion Report)

[!IMPORTANT] 全部页面处理完毕并生成最终 DOCX 后，必须输出以下总结，不可省略。

【完成报告】
源文件：<config.source_file>
输入类型：<config.source_type>
处理管道：Pipeline <config.pipeline>
格式规范：<config.format_style>
总单元数：<checkpoint.total_units>（<config.unit_type>）
提取公式数：<checkpoint.global_equation_count>
裁剪配图数：<checkpoint.global_figure_count>
提取表格数：<checkpoint.global_table_count>
核查点版本数：<outputs/ 中 checkpoint 文件的数量>
最终文件：outputs/<最终文件名>.docx
遗留问题：<needs_review 中的单元编号 / 无>