展开本页目录
开始前准备什么
- 下载到独立练习目录，保留原始输入副本。
- 模型步骤使用自己的已验证配置；离线检查不需要 API Key。
- 先阅读 README 中的运行范围；练习数据均为原创。
- 查看原始四列表格
- 按官方参数准备独立环境
- 导出第一个表格
- 核对空单元格与列数
- 按原数重新合计
- 读取文件检查而非只看截图
- 保存来源与错误样本
原创输入、可运行脚本、预期对照、截图原始 HTML 与验证记录。
对应本页任务与验证范围。
与原始 HTML 对应的带文字层 PDF。
章节、段落或表格验收条件。
关闭 OCR，但版面模型仍需环境准备。
读取输出文件检查顺序、空值与原文覆盖。
本次真实转换，保留原文项目与来源坐标。
与人工 expected.json 分开；可能有版面误判。
真实 HierarchicalChunker 输出，未人工改动。
CPU、无 OCR、Heron、Fast 设置及输入 SHA。
真实列错位输出，不能直接使用。
数值恢复，但表头有多余空格。
人工按原 PDF 核对后只修表头。
先核对三行完全对应，再执行已审核的字段重命名。
原始失败与审核后检查分开记录。
1. 查看原始四列表格
source.pdf 含 sku、quantity、unit_price、note，CUP-A 与 BOX-C 的备注为空。
2. 按官方参数准备独立环境
run-docling.py 默认 Accurate。先用 --fast --out raw-fast 保存失败对照，再用 --out raw-accurate 保存准确模式，输出目录分开，原输入不改。两次均关闭 OCR、固定 CPU 与 2 线程。本样例 Fast 列错位，Accurate 恢复数字但表头仍为 unit _price。
bash
python3 run-docling.py --fast --out raw-fast
python3 run-docling.py --out raw-accurate3. 保留 Fast 失败并对比 Accurate
保留 raw-fast/table-1.csv；CUP-A 被放进末列且缺少预期价格。再读 raw-accurate/table-1.csv，三行数据恢复，但实际表头有空格。转换成功状态不等于满足字段 schema。
4. 对照 PDF 人工修正已确认表头
对照原始 PDF 确认 unit _price 指单价列后，review-table.py 先核对三行与原文完全相等，再把该表头重命名 unit_price。不能用同一重命名脚本修复 Fast 错位记录；保留 raw 与 reviewed 两份。
bash
python3 review-table.py
python3 check-output.py reviewed-table.csv5. 按原数重新合计
审核后 CSV 的三行分别为 CUP-A 2×12.50、BAG-B 3×8.00、BOX-C 1×6.00，合计 55.00。CUP-A 与 BOX-C 备注仍为空；金额、ID、列和空值全部检查。
6. 读取文件检查而非只看截图
对 raw-fast 与 raw-accurate 运行检查都会非零；reviewed-table.csv 才通过。失败日志与原始文件都可下载，不能把模型原始输出称为全部准确。真实 Fast 输出发生列错位；Accurate 恢复三行数值与空备注但表头为 unit _price。已对照原 PDF 人工重命名为 unit_price，reviewed CSV 验收通过；原始失败文件独立保留。
bash
python3 check-output.py raw-fast/table-1.csv
python3 check-output.py raw-accurate/table-1.csv
python3 check-output.py reviewed-table.csv
7. 保存来源与错误样本
保留 source.pdf/source.png、原始 JSON、软件版本和人工核对记录。自动结构检查只验证本教材约定，仍需检查布局与语义。
怎样确认已经完成
- 文字、数字与原输入逐项对应，人工预期和实际运行输出分开。
- 输出来源可以回查原图/PDF；漏行、错序、空格位移不能忽略。
- 真实 Fast 输出发生列错位；Accurate 恢复三行数值与空备注但表头为 unit _price。已对照原 PDF 人工重命名为 unit_price，reviewed CSV 验收通过；原始失败文件独立保留。
常见问题
可以把人工预期当识别结果下载吗？
不可以。expected.json 是核对基准；只有实际工具运行得到的 output/document.json 才是本次推理输出，必须分别保存。
结构检查通过代表所有内容正确吗？
不代表。脚本只验证约定的文字、顺序、字段与来源，真实文档中的版面、标点、表格合并格和其他语义仍要对照原文。