# OCR/文本杂质清洗报告

**数据目录：** `/home/songyi/Documents/ai_agent_scraper_study/data/大医网/01_来源数据`
**子目录：** 疾病/ 方剂/ 中药材/ 针灸穴位/ 症状/ 术语/ 药膳食疗
**清洗时间：** 2026-06-26 13:31–13:32
**清洗轮次：** 2轮（首轮全量清洗 + 次轮键名残留修复）

---

## 一、汇总统计

| 数据集名 | 总文件数 | 清洗文件数 | 总修正处 | 错误类型分布 |
|----------|----------|------------|----------|--------------|
| 疾病库 | 998 | 38 | 53 | 全角空格→半角: 26; 枣仁→酸枣仁: 8; 白木→白术: 6; 苡仁→薏苡仁: 6; 零宽字符删除: 3; 多空格合并: 3; 当妇→当归: 1 |
| 方剂库 | 1000 | 30 | 41 | 枣仁→酸枣仁: 18; 苡仁→薏苡仁: 14; 多空格合并: 5; 零宽字符删除: 2; 构杞→枸杞: 2 |
| 中药材库 | 1000 | 22 | 58 | 白木→白术: 23; 枝子→栀子: 14; 枣仁→酸枣仁: 10; 零宽字符删除: 6; 苡仁→薏苡仁: 4; 构杞→枸杞: 1 |
| 针灸穴位库 | 1000 | 2 | 3 | 零宽字符删除: 3 |
| 症状库 | 993 | 11 | 23 | 零宽字符删除: 20; 枣仁→酸枣仁: 3 |
| 术语库 | 1001 | 14 | 48 | 零宽字符删除: 37; 多空格合并: 4; 枣仁→酸枣仁: 4; 全角空格→半角: 3 |
| 药膳食疗库 | 1000 | 8 | 23 | 枣仁→酸枣仁: 12; 白木→白术: 7; 苡仁→薏苡仁: 4 |
| **合计** | **6992** | **125** | **249** | **零宽字符删除: 71; 枣仁→酸枣仁: 55; 白木→白术: 36; 全角空格→半角: 29; 苡仁→薏苡仁: 28; 枝子→栀子: 14; 多空格合并: 12; 构杞→枸杞: 3; 当妇→当归: 1** |

## 二、清洗规则详情

| 优先级 | 规则 | 模式 | 替换为 | 修正次数 |
|--------|------|------|--------|----------|
| 1 | 枣仁→酸枣仁 | `(?<!酸)枣仁` | `酸枣仁` | 55 |
| 2 | 白木→白术 | `白木` | `白术` | 36 |
| 3 | 苡仁→薏苡仁 | `(?<!薏)苡仁` | `薏苡仁` | 28 |
| 4 | 枝子→栀子 | `枝子` | `栀子` | 14 |
| 5 | 构杞→枸杞 | `构杞` | `枸杞` | 3 |
| 6 | 构杞子→枸杞子 | `构杞子` | `枸杞子` | 0 |
| 7 | 当妇→当归 | `当妇` | `当归` | 1 |
| 8 | 意苡仁→薏苡仁 | `意苡仁` | `薏苡仁` | 0 |
| 9 | 获苓→茯苓 | `获苓` | `茯苓` | 0 |
| 10 | 川萼→川芎 | `川萼` | `川芎` | 0 |
| 11 | 黄茂→黄芪 | `黄茂` | `黄芪` | 0 |
| 12 | 甘革→甘草 | `甘革` | `甘草` | 0 |
| 13 | 灵艺→灵芝 | `灵艺` | `灵芝` | 0 |
| 14 | 大赉→大枣 | `大赉` | `大枣` | 0 |
| 15 | 干娈→干姜 | `干娈` | `干姜` | 0 |
| 16 | 全角空格→半角 | `\u3000` | ` ` | 29 |
| 17 | 零宽字符删除 | `[\u200b\u200c\u200d\ufeff]` | （删除） | 71 |
| 18 | 多空格合并 | `  +` | ` ` | 12 |

## 三、清洗后验证

**验证结果：零残留 ✓** — 两轮清洗后所有规则均已正确应用，无未处理的匹配项。

二次验证独立确认：
- OCR形近错字 14 种 → 0 残留 ✓
- 全角空格 `\u3000` → 0 残留 ✓
- 零宽字符 `[\u200b\u200c\u200d\ufeff]` → 0 残留 ✓
- 负向零宽断言无误改（未出现"酸酸枣仁"、"薏薏苡仁"） ✓

## 四、错误类型分布（全部）

| 错误类型 | 修正次数 | 占比 |
|----------|----------|------|
| 零宽字符删除 | 71 | 28.5% |
| 枣仁→酸枣仁 | 55 | 22.1% |
| 白木→白术 | 36 | 14.5% |
| 全角空格→半角 | 29 | 11.6% |
| 苡仁→薏苡仁 | 28 | 11.2% |
| 枝子→栀子 | 14 | 5.6% |
| 多空格合并 | 12 | 4.8% |
| 构杞→枸杞 | 3 | 1.2% |
| 当妇→当归 | 1 | 0.4% |
| **总计** | **249** | **100%** |

## 五、被修改文件列表

共 125 个文件被修改：

### 疾病库（38 个文件）

| 文件名 | 修正总数 | 修正详情 |
|--------|----------|----------|
| 700078_胆瘅.json | 4 | 全角空格→半角: 2; 多空格合并: 2 |
| 700168_经行头痛.json | 3 | 全角空格→半角: 3 |
| 1026991_肺动脉高压.json | 2 | 零宽字符删除: 2 |
| 700014_薄厥.json | 2 | 苡仁→薏苡仁: 2 |
| 700039_产后小便淋痛.json | 2 | 全角空格→半角: 2 |
| 700081_胆胀.json | 2 | 枣仁→酸枣仁: 2 |
| 700167_经行身痛.json | 2 | 全角空格→半角: 2 |
| 700181_烂疔.json | 2 | 全角空格→半角: 1; 多空格合并: 1 |
| 700216_缺乳.json | 2 | 当妇→当归: 1; 全角空格→半角: 1 |
| 700262_胎漏、胎动不安.json | 2 | 全角空格→半角: 2 |
| 700315_阴疮.json | 2 | 全角空格→半角: 2 |
| 700331_月经后期.json | 2 | 全角空格→半角: 2 |
| 1010116_失音.json | 1 | 白木→白术: 1 |
| 1119969_前列腺炎.json | 1 | 白木→白术: 1 |
| 1141234_扁平疣.json | 1 | 苡仁→薏苡仁: 1 |
| 1148588_胆囊炎.json | 1 | 零宽字符删除: 1 |
| 1155689_心肾不交.json | 1 | 枣仁→酸枣仁: 1 |
| 1155724_肾精亏虚.json | 1 | 枣仁→酸枣仁: 1 |
| 1155732_血虚.json | 1 | 枣仁→酸枣仁: 1 |
| 1160556_皮肤瘙痒.json | 1 | 枣仁→酸枣仁: 1 |
| 1161022_胃阴不足.json | 1 | 白木→白术: 1 |
| 1161188_口舌生疮.json | 1 | 白木→白术: 1 |
| 700031_产后恶露不绝.json | 1 | 全角空格→半角: 1 |
| 700037_产后身痛.json | 1 | 全角空格→半角: 1 |
| 700046_产后血晕.json | 1 | 全角空格→半角: 1 |
| 700053_赤虫病.json | 1 | 苡仁→薏苡仁: 1 |
| 700094_多发性抽动症.json | 1 | 枣仁→酸枣仁: 1 |
| 700135_腘窝痈.json | 1 | 苡仁→薏苡仁: 1 |
| 700145_混合痔.json | 1 | 全角空格→半角: 1 |
| 700160_经行发热.json | 1 | 全角空格→半角: 1 |
| 700172_经期延长.json | 1 | 全角空格→半角: 1 |
| 700200_内痔.json | 1 | 全角空格→半角: 1 |
| 700205_皮痹.json | 1 | 苡仁→薏苡仁: 1 |
| 700220_妊娠腹痛.json | 1 | 全角空格→半角: 1 |
| 700228_乳头破碎.json | 1 | 白木→白术: 1 |
| 700276_脱囊.json | 1 | 白木→白术: 1 |
| 700307_阳痿.json | 1 | 枣仁→酸枣仁: 1 |
| 700359_痿证.json | 1 | 全角空格→半角: 1 |

### 方剂库（30 个文件）

| 文件名 | 修正总数 | 修正详情 |
|--------|----------|----------|
| 1096769_调经饮《景岳全书》.json | 3 | 多空格合并: 3 |
| 1119155_宣痹汤.json | 3 | 苡仁→薏苡仁: 3 |
| 901951_酸枣仁汤.json | 3 | 枣仁→酸枣仁: 3 |
| 1027333_高枕无忧散.json | 2 | 枣仁→酸枣仁: 2 |
| 1083662_河车大造丸.json | 2 | 构杞→枸杞: 1; 枣仁→酸枣仁: 1 |
| 1120568_五痿汤.json | 2 | 苡仁→薏苡仁: 2 |
| 1121189_秘元煎.json | 2 | 枣仁→酸枣仁: 2 |
| 901285_赤豆薏苡仁汤.json | 2 | 苡仁→薏苡仁: 2 |
| 1028757_接骨散.json | 1 | 零宽字符删除: 1 |
| 1032586_二精丸.json | 1 | 构杞→枸杞: 1 |
| 1038334_大补阴丸.json | 1 | 多空格合并: 1 |
| 1042877_五福饮.json | 1 | 枣仁→酸枣仁: 1 |
| 1050626_甘草小麦大枣汤《金匮要略》.json | 1 | 枣仁→酸枣仁: 1 |
| 1051841_龙齿壮胆汤《辨证录》.json | 1 | 枣仁→酸枣仁: 1 |
| 1052073_归脾丸.json | 1 | 枣仁→酸枣仁: 1 |
| 1063820_连理汤《症因脉治》.json | 1 | 零宽字符删除: 1 |
| 1073026_当归贝母苦参丸.json | 1 | 苡仁→薏苡仁: 1 |
| 1097363_海藻玉壶汤.json | 1 | 多空格合并: 1 |
| 1121217_七福饮.json | 1 | 枣仁→酸枣仁: 1 |
| 1125497_坤厚资生丸.json | 1 | 枣仁→酸枣仁: 1 |
| 900651_茯苓导水汤.json | 1 | 苡仁→薏苡仁: 1 |
| 900774_柴胡四物汤.json | 1 | 苡仁→薏苡仁: 1 |
| 901045_柴独苍术汤.json | 1 | 苡仁→薏苡仁: 1 |
| 901115_保金汤.json | 1 | 苡仁→薏苡仁: 1 |
| 901354_百合地黄汤.json | 1 | 枣仁→酸枣仁: 1 |
| 901520_安神补心汤.json | 1 | 枣仁→酸枣仁: 1 |
| 901656_麻黄汤.json | 1 | 苡仁→薏苡仁: 1 |
| 901827_二妙散.json | 1 | 苡仁→薏苡仁: 1 |
| 901832_归脾汤.json | 1 | 枣仁→酸枣仁: 1 |
| 901948_天王补心丹.json | 1 | 枣仁→酸枣仁: 1 |

### 中药材库（22 个文件）

| 文件名 | 修正总数 | 修正详情 |
|--------|----------|----------|
| 300174_沉香.json | 12 | 白木→白术: 12 |
| 302268_美丽胡枝子花.json | 7 | 枝子→栀子: 7 |
| 1155669_银耳.json | 5 | 白木→白术: 5 |
| 1113592_补骨脂.json | 4 | 零宽字符删除: 4 |
| 1155967_炒酸枣仁.json | 4 | 枣仁→酸枣仁: 4 |
| 302437_木通.json | 4 | 白木→白术: 4 |
| 303115_三叶青.json | 4 | 枝子→栀子: 4 |
| 1115571_酸枣仁.json | 3 | 枣仁→酸枣仁: 3 |
| 305427_薏苡仁.json | 2 | 苡仁→薏苡仁: 2 |
| 1114680_救必应.json | 1 | 白木→白术: 1 |
| 1115608_天麻.json | 1 | 枣仁→酸枣仁: 1 |
| 1116187_远志.json | 1 | 枣仁→酸枣仁: 1 |
| 1117839_羊骨.json | 1 | 构杞→枸杞: 1 |
| 1117966_鹅管石.json | 1 | 苡仁→薏苡仁: 1 |
| 1155701_黄栀子.json | 1 | 枝子→栀子: 1 |
| 1155963_炒薏苡仁.json | 1 | 苡仁→薏苡仁: 1 |
| 1156147_金丝皇菊.json | 1 | 零宽字符删除: 1 |
| 1156252_醋五味子.json | 1 | 枣仁→酸枣仁: 1 |
| 300131_白首乌.json | 1 | 白木→白术: 1 |
| 302039_马棘.json | 1 | 枝子→栀子: 1 |
| 305834_栀子.json | 1 | 枝子→栀子: 1 |
| 306234_牛膝.json | 1 | 零宽字符删除: 1 |

### 针灸穴位库（2 个文件）

| 文件名 | 修正总数 | 修正详情 |
|--------|----------|----------|
| 1000751_小儿食痫穴.json | 2 | 零宽字符删除: 2 |
| 1000049_耳背臀耳穴.json | 1 | 零宽字符删除: 1 |

### 症状库（11 个文件）

| 文件名 | 修正总数 | 修正详情 |
|--------|----------|----------|
| 1143337_手脚冰凉.json | 5 | 零宽字符删除: 5 |
| 1008533_发绀.json | 4 | 零宽字符删除: 4 |
| 1153014_嘴唇发紫.json | 4 | 零宽字符删除: 4 |
| 1152374_胃萎缩.json | 3 | 零宽字符删除: 3 |
| 1143027_血糖高.json | 1 | 零宽字符删除: 1 |
| 1144937_左腹疼痛.json | 1 | 零宽字符删除: 1 |
| 1152407_肝结节.json | 1 | 零宽字符删除: 1 |
| 1153095_实性肺结节.json | 1 | 零宽字符删除: 1 |
| 600106_肝阴不足证.json | 1 | 枣仁→酸枣仁: 1 |
| 600137_惊恐伤神证.json | 1 | 枣仁→酸枣仁: 1 |
| 600368_心脾两虚证.json | 1 | 枣仁→酸枣仁: 1 |

### 术语库（14 个文件）

| 文件名 | 修正总数 | 修正详情 |
|--------|----------|----------|
| 1144031_鼻涕.json | 11 | 零宽字符删除: 11（含1处键名修复） |
| 1144020_蠕动.json | 8 | 零宽字符删除: 8 |
| 1144083_家族史.json | 7 | 零宽字符删除: 7 |
| 1144057_主诉.json | 4 | 零宽字符删除: 4 |
| 1144068_体征.json | 4 | 零宽字符删除: 4 |
| 800075_止观.json | 4 | 多空格合并: 4 |
| 1144027_翼点.json | 2 | 零宽字符删除: 2 |
| 800085_淡渗利湿.json | 2 | 全角空格→半角: 2 |
| 800342_气功纠偏.json | 2 | 枣仁→酸枣仁: 2 |
| 1144070_发病率.json | 1 | 零宽字符删除: 1 |
| 800020_止惊.json | 1 | 全角空格→半角: 1 |
| 800369_五劳.json | 1 | 枣仁→酸枣仁: 1 |
| 800489_气厥.json | 1 | 枣仁→酸枣仁: 1 |

### 药膳食疗库（8 个文件）

| 文件名 | 修正总数 | 修正详情 |
|--------|----------|----------|
| 1009271_白木耳粥.json | 5 | 白木→白术: 5 |
| 1009073_龙眼枣仁煲牛肉.json | 3 | 枣仁→酸枣仁: 3 |
| 1009094_枣仁百合烧乌鸡.json | 3 | 枣仁→酸枣仁: 3 |
| 1009132_桂圆枣仁花生露.json | 3 | 枣仁→酸枣仁: 3 |
| 1010003_猪心枣仁汤.json | 3 | 枣仁→酸枣仁: 3 |
| 1009451_红枣糯米粥.json | 2 | 苡仁→薏苡仁: 2 |
| 1009717_双耳海螺.json | 2 | 白木→白术: 2 |
| 1009797_牛筋汤.json | 2 | 苡仁→薏苡仁: 2 |