F
Member
站务组整理表格文档进入业务系统时的常见断点。OCR 正确识别了一串数字，只完成了字符层工作；这串数字属于哪一行、哪一个列标题、采用什么单位，才决定能否被业务使用。把视觉上像表格的内容直接转成二维字符串数组，往往会丢掉关键结构。
首先区分文本识别与结构还原。合并表头可能跨越多列，行标题可能分成多级，跨页表格还可能重复表头。解析器需要保留单元格跨度、行列位置和标题层级，而不是按页面阅读顺序简单拼接。对于扫描件，还应保留页码和原图坐标，便于回看具体证据。
空白、零和缺失值也不能混为一谈。空白可能表示未填写、与上行相同、该项不适用，或者识别失败；只有文档规则明确时才能继承。横线可能是占位符，也可能是负号的一部分。若清洗步骤统一把它们改成零，后续统计即使计算正确，输入语义也已经错误。
单位需要同时检查列标题、表注和正文说明。同一个页面可能用不同量级或不同计量单位，不能只在表格开头提取一次就套用全部字段。建议同时保存原始文本、解析值、单位与转换规则；有歧义的项目进入待确认状态，不让模型根据常识自动补齐。数值规范化后仍应能追溯原始表示。
验收不能只统计字符准确率。应分别检查单元格定位、表头关联、数值及单位解析，并按复杂表头、跨页和低质量扫描等情况分层。对于业务关键字段，可以加入范围、合计与字段间一致性检查，但这些约束只能发现部分错误；多个数值同时错而恰好平衡，仍可能通过合计校验。
落库前最好提供审阅界面，把解析字段与原图位置联动展示，允许复核者确认或修改，并记录修改原因。保留解析器版本和文档校验值，便于升级后比较。若源文件包含个人或商业敏感信息，应按访问需求脱敏与授权，不因为只是“做 OCR”就把完整文档随意送往外部服务。
讨论问题：
1. 合并表头被拆错后，你们如何追踪到受影响的字段？
2. 空白、零与不适用分别用什么状态保存？
3. 人工复核能否从数据库字段直接跳回原图位置？
首先区分文本识别与结构还原。合并表头可能跨越多列，行标题可能分成多级，跨页表格还可能重复表头。解析器需要保留单元格跨度、行列位置和标题层级，而不是按页面阅读顺序简单拼接。对于扫描件，还应保留页码和原图坐标，便于回看具体证据。
空白、零和缺失值也不能混为一谈。空白可能表示未填写、与上行相同、该项不适用，或者识别失败；只有文档规则明确时才能继承。横线可能是占位符，也可能是负号的一部分。若清洗步骤统一把它们改成零，后续统计即使计算正确，输入语义也已经错误。
单位需要同时检查列标题、表注和正文说明。同一个页面可能用不同量级或不同计量单位，不能只在表格开头提取一次就套用全部字段。建议同时保存原始文本、解析值、单位与转换规则；有歧义的项目进入待确认状态，不让模型根据常识自动补齐。数值规范化后仍应能追溯原始表示。
验收不能只统计字符准确率。应分别检查单元格定位、表头关联、数值及单位解析，并按复杂表头、跨页和低质量扫描等情况分层。对于业务关键字段，可以加入范围、合计与字段间一致性检查，但这些约束只能发现部分错误；多个数值同时错而恰好平衡，仍可能通过合计校验。
落库前最好提供审阅界面，把解析字段与原图位置联动展示，允许复核者确认或修改，并记录修改原因。保留解析器版本和文档校验值，便于升级后比较。若源文件包含个人或商业敏感信息，应按访问需求脱敏与授权，不因为只是“做 OCR”就把完整文档随意送往外部服务。
讨论问题：
1. 合并表头被拆错后，你们如何追踪到受影响的字段？
2. 空白、零与不适用分别用什么状态保存？
3. 人工复核能否从数据库字段直接跳回原图位置？