8.8 KiB
中医入门.md OCR 清洗报告
清洗日期: 2026-09-07（含二次审计补修） 源文件: 01_来源数据/中医入门_MinerU_OCR_2026-09-07.md（224,843 字节，1,829 行） 输出文件: 02_加工数据/中医入门.md（224,419 字节） 核对清单: 04_分析报告/人工核对清单.md（按行号列出全部修正点与截断处，供人工复核）
一、书籍识别
《中医入门》体例（理论之部 / 法则之部 / 方剂之部 / 药物之部四章），秦伯未著作的章节结构。原书为繁体竖排影印，MinerU OCR 输出为繁简混杂文本。
二、处理概况
| 步骤 | 处理内容 | 数量 |
|---|---|---|
| 全文繁转简 | OpenCC t2s（~/venvs/crawl4ai） | 全文 78,154 字 |
| 定向错字修正 | 繁体字形阶段匹配 | 39 处 |
| 传/傅辨析 | 傅→传（保留"相傅"宰相义 1 处） | 63 处 |
| 辩/辯→辨 | 辩症/辯症/辯証 统一为 辨症 | 10 处 |
| 结构重建 | 标题层级统一（章## 节### 小节####） | 58 个标题 |
| 图片移除 | MinerU CDN 页面截图（中断正文） | 2 处 |
| 排版清理 | 章间分隔线、空行归一 | 全文 |
| 残留繁体字 | 转换后全文扫描 | 0 处 ✅ |
三、错字修正规则表（逐处上下文核对）
3.1 标题与篇目
| 原文 | 修正 | 依据 |
|---|---|---|
| 一、留診 | 一、望診 | 望聞問切四診之首，下文即望诊内容 |
| ## 等等。 | 二十八脉的主症 | OCR 残句误为标题，实为脉象主症汇总 |
| 第二節 隊識 | 第二節 意識 | 隊→意 形近 |
| 早期治疗，隊識到 | 认識到 | 同上 |
3.2 病机与引文
| 原文 | 修正 | 依据 |
|---|---|---|
| 己所胜怪而侮之 | 己所胜而侮之 | 《内经》五行乘侮原文 |
| 水郁达之 | 木郁达之 | 《内经》五郁: 木郁达之/火郁发之/土郁夺之/金郁泄之/水郁折之 |
| 我国幅目广阔 | 幅员广阔 | 目→员 |
| 中著，也叫中喝 | 中暑，也叫中暍 | 伤暑证治名词（暍=中暑古称） |
| 热煉而成 | 热燔而成 | 痰的生成: 湿聚/热燔 |
3.3 诊法与脉学
| 原文 | 修正 | 依据 |
|---|---|---|
| 戰接痿 | 战摇痿 | 舌象动态: 战(颤抖)/痿(软弱) |
| 胀癥 | 胀瘪 | 与"胖肿"对文 |
| 極細而奐 | 极细而奂 | 微脉: 极细而奂（奂=柔美细软） |
| 細而較微有力 | 细而较濡有力 | 对照濡脉定义"浮而细软" |
| 革：浮而极有力 | 革：浮而极无力 | 革脉外强中空，与濡脉同列浮位无力 |
| 日哺 | 日晡 | 日晡潮热（申时） |
| 阳豚/豚象 | 阳脉/脉象 | 豚→脉 形近 |
| 如殘雷之下 | 如殘漏之下 | 屋漏脉"良久一滴"喻 |
| 其串在 | 其贯串在 | OCR 丢字 |
3.4 症状与治法
| 原文 | 修正 | 依据 |
|---|---|---|
| 殘廉 | 残废 | 廉→废 形近 |
| 波輻 | 波幅 | 輻→幅 |
| 巨期阙 | 巨阙 | 任脉穴名 |
| 而倘未到里 | 而尚未到里 | 倘→尚 形近 |
| 比較輕，前者如乌头 | 比較重，前者如乌头 | 气味雄厚者用量大，与平淡者对文 |
3.5 方药
| 原文 | 修正 | 依据 |
|---|---|---|
| 荔子核 | 荔枝核 | 疝气常用药 |
| 沉香麵 | 沉香曲 | 处方药名（理气药） |
| 黄莲 | 黄连 | 莲→连 |
| 神麴 | 神曲 | 统一用曲（消食药） |
| 丹叁 | 丹参 | 叁→参 |
3.6 传/傅辨析（重点）
原书"傅"字两义并存：
- 传（传递、传变）：传化之府、传经、传变、传染 → 全部改"传"，共 63 处
- 傅（宰相义）：仅 1 处"肺脏称作相傅"保留（相傅=辅佐君主的官职）
3.7 二次审计补修（简体字形漏网错字）
首轮按繁体字形匹配的规则，对 OCR 原文中恰好呈简体字形的错字未触发；事后逐规则审计（原文命中→终文残留→新值出现三段验证）发现并补修 5 处：
| 原文 | 修正 | 依据 |
|---|---|---|
| 早期治疗，队识到 | 认识到 | 队→认 形近 |
| 战接痿 | 战摇痿 | 舌象动态: 战(颤抖)/痿(软弱)，下文"战为颤动…痿为软不能动"即分释二字 |
| 残廉 | 残废 | 廉→废 形近（"病去而元气大伤…或带来后遗症"语境） |
| 痿健 | 痿躄 | 痿躄=肌肉萎缩、足不能行，与痉病、劳嗽并列 |
| 症为瘦缩 | 瘪为瘦缩 | 与同段"胀为胖肿"对文（胀瘪词条的解释位） |
教训：简体字形错字需在 t2s 转换后的文本上再做一轮规则匹配；繁体阶段规则 + 简体阶段规则双轮覆盖方能闭环。
3.8 简化字统一（表内）
五行归类表 HTML 表格内繁体一并转换（雞→鸡、徵→征 等）。
3.9 三次补修（2026-09-08 初步分析前扫描发现）
初步分析前的例行错字扫描发现 5 组漏网（8 处），共性教训：药名错字多以"方名正确 + 组成行错误"形态漏网（如"诃子散"方名正确、组成行作"阿子"），后续清洗应对方名与组成行交叉验证：
| 原文 | 修正 | 处数 | 行号 | 依据 |
|---|---|---|---|---|
| 瓜蔓仁 | 瓜蒌仁 | 3 | 1016, 1393, 1469 | 润下药（麻仁、郁李仁并列），蔓/蒌形近 |
| 阿子 | 诃子 | 2 | 1014, 1465 | 涩肠药；29.诃子散组成行（方名 1212 已正确） |
| 止遣溺 | 止遗溺 | 1 | 1477 | 功效动词，下文"遗尿不禁"用"遗" |
| 淡菓蓉 | 淡苁蓉 | 1 | 1469 | 润肠药（苁蓉咸温润肠），菓/苁形近 |
| 石草→石韦（仅通淋药行） | 石韦 | 1 | 1475 | 利尿通淋药（瞿麦、萹蓄并列）。⚠️ 本草纲目草部九类分类处"石草"为原书正名已保留（白木耳式保护：规则限定"通淋——"行内） |
验证：错误形式全文残留 0；正确形式就位；本草部类"石草"1 处正确保留。
3.10 四次补修（2026-09-08 关联融合阶段，理论层内容）
反向标注工程提取十八反/十九畏/妊娠禁忌等理论锚点时发现 12 处漏网，特征是歌诀与名录类内容——无散文上下文可依托，首轮逐处人工核对时未触及：
| 原文 | 修正 | 依据 |
|---|---|---|
| 十八反歌"半、蔓、贝、薮、芨攻乌" | 半、蒌、贝、蔹、及攻乌 | 通行歌诀+书内散文自证 |
| "藻、戟、遂、芜俱战草" | 遂、芫 | 散文"甘遂、芫花"；芜荑(正确药名)已保护 |
| 散文"瓜蔓"（十八反段） | 瓜蒌 | 散文自证 |
| 散文"白芨" | 白及 | 正字 |
| "川岛、草岛畏犀角"（十九畏散文） | 川乌、草乌 | 歌诀"川乌、草乌不顺犀"自证 |
| "内轻所说" | 内经 | 全书"内经"58处 |
| "积术丸" | 枳术丸 | 消导剂举例（枳实+白术） |
| "虫虫"×2 | 虻虫 | 妊娠禁忌/破瘀药列 |
| "腐虫" | 地鳖虫 | 书内他处3处用"地鳖虫" |
| "济阴网目" | 济阴纲目 | 武之望妇科专书 |
| "没病" | 没药 | 活血药列 |
| "破瘀血一/止血一/杀虫一/消食一"（4处） | —— | OCR破折号丢字；"浮兰"→泽兰 |
教训：歌诀/名录类 OCR 错字危害最大（十八反直接关系配伍安全），修复需依赖通行版本 + 书内散文自证，不能只靠上下文通顺。
3.11 匹配算法陷阱：土人参问题（白木耳陷阱的镜像）
反向标注的炮制前缀归一表若含产地/品质限定词（土/川/广/云/怀/杭/紫/白等），会把独立民间药名剥成核心药名造成假阳性：翻白草的合法别名"土人参"被剥成"人参"误命中人参锚点。规则：候选侧只剥炮制前缀（炙/炒/煨/煅/法/霜/焦/制等），产地品质限定词一律不剥（土茯苓/土鳖虫/川贝母是独立药名）。修复后消除 31 个假阳性命中。
四、保留原状事项（存疑标注）
- "雷福亭曾说"（方剂篇引文）：疑为"俞昌"或"雷丰"之误，但无版本依据，保留原文，不作臆改。
- 17 处页边界截断：OCR 逐页转换导致的段中丢句（如 35、49 行段末无终结标点），属源文件信息缺失，如实保留，后续如获完整版本可补。
- "三因括约"（病因篇标题）：原文如此，未改。
- 短行脉名条目（浮/革/濡等）保持原列表格式，未强行合并。
五、防错机制
- 全部替换规则先经上下文核对（逐行定位），不做无上下文全局替换
- "相傅"采用占位符保护后再全局替换"傅"，避免误伤
- OpenCC 转换后全文繁体字残留扫描 = 0
- 二次审计：逐规则"原文命中→终文残留→新值出现"三段验证（/tmp/audit_final.py 逻辑），已知错字残留 = 0；审计发现简体字形漏网 5 处并已补修（见 3.7）
六、可复用性
本规则表可复用于秦伯未《中医入门》同版本其他 OCR 文件；通用部分（傳→传、辩→辨、豚→脉、日哺→日晡等）可复用于同类繁体中医教材 OCR 清洗。