From 450be28a2b0686cdd4a51427224c94749469ee89 Mon Sep 17 00:00:00 2001 From: Yige Date: Sun, 6 Sep 2026 10:46:46 -0400 Subject: [PATCH] =?UTF-8?q?fix(invoice-organizer):=20PDF=20=E6=96=87?= =?UTF-8?q?=E6=9C=AC=E5=B1=82=E5=90=8D=E7=A7=B0=E5=AD=97=E6=AE=B5=E6=A0=87?= =?UTF-8?q?=E7=AD=BE=E6=B1=A1=E6=9F=93=E9=98=B2=E6=8A=A4=20(#138)?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit PDF 的文本层顺序由生成它的开票系统决定，不保证等于版面阅读顺序。部分模板会把 「两栏的全部标签」连续输出完，再输出「两栏的全部取值」，按「标签后紧跟的下一段 文字」配对会把字段标签本身当成取值——一次真实批量整理里，某网约车平台开具的两张 「旅客运输服务」数电票的 sellerName 被抽成了字面的「统一社会信用代码/纳税人识别号：」。 新增「名称字段的标签污染防护（PDF 文本层）」一节：名称等于或主要由已知字段标签 组成时判定为提取失败，先在同页重新定位、再退到整页视觉阅读，仍不能确定则按技能 既定的「抽不齐必填字段就隔离」处理，不得从主题/文件名/相邻税号猜公司名。 明确标注这条只针对 PDF 文本层：OFD 页面文本按坐标重建阅读顺序、模板标签与取值 已合并到同一行，结构化来源更不依赖文本顺序，均不受此问题影响，OFD 章节未改动。 --- .../invoice-organizer/skills/invoice-extract/SKILL.md | 10 ++++++++++ 1 file changed, 10 insertions(+) diff --git a/agents/invoice-organizer/skills/invoice-extract/SKILL.md b/agents/invoice-organizer/skills/invoice-extract/SKILL.md index 124f037..a111c97 100644 --- a/agents/invoice-organizer/skills/invoice-extract/SKILL.md +++ b/agents/invoice-organizer/skills/invoice-extract/SKILL.md @@ -145,6 +145,16 @@ OFD **不会**被渲染成图片，也不做签章有效性校验（只报告是 5. **金额取小写。** `价税合计（大写） 壹仟玖佰伍拾玖元玖角捌分 （小写）¥1959.98` —— 取 `（小写）` 后面的数字。大写金额用来做校验，不用来当值。 6. **税率不一定是百分比。** `免税` / `不征税` / `***` 都会出现，原样记录，不要强行转成 0。 +### 名称字段的标签污染防护（PDF 文本层） + +PDF 的文本层顺序由生成它的开票系统决定，不保证等于版面阅读顺序。部分模板会把「两栏的全部标签」连续输出完，再输出「两栏的全部取值」（`名称：` `统一社会信用代码/纳税人识别号：` 各连续出现两次，之后才是两个公司名和两个税号）——这是一次真实批量整理里实测踩到的坑：某网约车平台开具的两张「旅客运输服务」数电票，`sellerName` 被按"标签后紧跟的下一段文字"这个假设错误抽成了字面的「统一社会信用代码/纳税人识别号：」。**这条只针对 PDF 文本层**——OFD 的页面文本按坐标重建阅读顺序，模板标签与取值已经合并在同一行（见上一节），不会出现这种错位；结构化来源①②③同样不受影响，遇到 PDF 判断不可靠时优先切到 OFD 的结构化字段或视觉识别，而不是死磕文本层位置匹配。 + +对 PDF 文本层抽出的 `sellerName` / `buyerName` 做以下硬校验： + +- 若名称等于或主要由 `统一社会信用代码`、`纳税人识别号`、`名称`、`名称：`、`销售方信息`、`购买方信息` 等字段标签组成，必须视为**提取失败**，不得以低置信度直接采信。 +- 先尝试从同页其他文本块重新定位（常见于双栏模板整段错位，两个值仍在文本里，只是顺序对不上）；仍不能可靠确定时，改用整页视觉阅读（`pdf_mode:"render"`）。 +- 视觉阅读仍不能确定时，按「抽不齐必填字段就隔离」处理——名称是必填字段，抽不出真实值就不是「低置信度」，是缺失：整份文件移入 `_quarantine/`，`.reason.txt` 写清「PDF 文本层名称字段疑似标签污染，视觉复核仍无法判定」；不得从邮件主题、文件名或相邻税号猜测公司名，也不要拿标签本身或空值凑一条低置信度记录混进台账。 + ### ⚠️ 文本里会有 NUL 字节 PDF 文本抽取的结果里常出现 `\x00`（未映射字形），位置多在 `价税合计（大写）` 与中文大写之间。