55 lines
1.7 KiB
Markdown
55 lines
1.7 KiB
Markdown
# 中华药膳全书 OCR/文本杂质清洗报告
|
|
|
|
> 清洗日期: 2026-05-29
|
|
|
|
---
|
|
|
|
## 清洗概况
|
|
|
|
| 项目 | 数值 |
|
|
|------|------|
|
|
| 扫描文件数 | 9 个 JSON + 1 个 MD |
|
|
| 发现原始问题 | 781 处 |
|
|
| 清洗修改 | **173 处** |
|
|
| 清洗后残留 | **0 处** ✅ |
|
|
| 涉及文件 | 8 个 JSON + 理论部分.md |
|
|
|
|
## 清洗规则
|
|
|
|
### 错字修正（OCR形近字）
|
|
|
|
| 原文 | 修正后 | 类型 | 说明 |
|
|
|------|--------|------|------|
|
|
| 苡仁 → 薏苡仁 | 缺"薏" | OCR丢字 | 使用负向lookbehind避免重复替换 |
|
|
| 枣仁 → 酸枣仁 | 缺"酸" | OCR丢字 | 同上 |
|
|
| 虫夏草 → 冬虫夏草 | 缺"冬" | OCR丢字 | 同上 |
|
|
| 意苡仁 → 薏苡仁 | 形近 | 意→薏（草字头） |
|
|
| 慧苡仁 → 薏苡仁 | 形近 | 慧→薏 |
|
|
| 获苓 → 茯苓 | 形近 | 获→茯 |
|
|
| 灵艺 → 灵芝 | 形近 | 艺→芝 |
|
|
| 川萼 → 川芎 | 形近 | 萼→芎 |
|
|
| 黄茂 → 黄芪 | 形近 | 茂→芪 |
|
|
| 白木 → 白术 | 形近 | 木→术 |
|
|
| 甘革 → 甘草 | 形近 | 革→草 |
|
|
| 当妇 → 当归 | 形近 | 妇→归 |
|
|
| 构杞 / 构杞子 → 枸杞 / 枸杞子 | 形近 | 构→枸 |
|
|
|
|
### 格式清洗
|
|
|
|
| 类型 | 数量 | 说明 |
|
|
|------|------|------|
|
|
| 全角空格 → 半角 | 222 处 | 药膳解析.json 中集中出现 |
|
|
| 零宽字符移除 | 3 处 | Unicode控制字符 |
|
|
| 多余空格压缩 | 全域 | 多个连续空格归一 |
|
|
|
|
## 防重复机制
|
|
|
|
使用正则负向lookbehind确保：
|
|
- 已有的正确「**薏**苡仁」不会被改成「薏**薏**苡仁」
|
|
- 已有的正确「**酸**枣仁」不会被改成「酸**酸**枣仁」
|
|
- 已有的正确「**冬**虫夏草」不会被改成「冬**冬**虫夏草」
|
|
|
|
## 清洗效果验证
|
|
|
|
清洗后验证扫描确认所有已知错字和格式问题已清零。
|