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。
- 对照双栏输入
- 按官方参数准备独立环境
- 导出结构与 Markdown
- 按完整段落核对顺序
- 回查 provenance 与漏段
- 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。
故意删除段落，检查必须非零。
原始失败与审核后检查分开记录。
1. 对照双栏输入
source.pdf 左侧是 Collect/Check，右侧是 Review/Export；expected.json 保存人工期望章节与段落顺序。
2. 按官方参数准备独立环境
本次实测使用 CPU、2 线程、Heron 版面与 Fast 表格模式，关闭 OCR；首次仍需模型文件。数字 PDF 的完整顺序检查通过；不推广为任意扫描件准确。
3. 导出结构与 Markdown
用 DocumentConverter 保存 result.md 和 document.json，保留原 PDF，不删除布局来源。
bash
# 与本页保存的 Fast 实测一致
python3 run-docling.py --fast4. 按完整段落核对顺序
期望先左栏四段再右栏四段，比较完整句而不是只看出现了哪些关键词。
5. 回查 provenance 与漏段
对错误段落用 document.json 中来源坐标回查原 PDF；文本完整但顺序交替仍应判失败。
6. 读取文件检查而非只看截图
check-output.py 从 result.md 检查完整段落与章节顺序。删除首段的 negative-result.md 会使同一脚本失败。已真实运行 Docling 2.138.0 CPU、无 OCR：4 章节与 8 段正文顺序通过；反转段落负例被拒绝。仅本页数字 PDF，不代表扫描件。
text
python3 run-docling.py
python3 check-output.py
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。
- 已真实运行 Docling 2.138.0 CPU、无 OCR：4 章节与 8 段正文顺序通过；反转段落负例被拒绝。仅本页数字 PDF，不代表扫描件。
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。