156 lines
4.0 KiB
Markdown
156 lines
4.0 KiB
Markdown
# LaTeX 命令保护 - 最终修复方案
|
||
|
||
## 问题
|
||
|
||
LaTeX 命令被错误拆分：
|
||
- `\vdots` → `\vd ots` ❌
|
||
- `\lambda_{1}` → `\lambd a_{1}` ❌
|
||
|
||
## 根本原因
|
||
|
||
**Stage 2 的微分规范化功能设计缺陷**，会匹配任何 `d` + 字母的组合，无法区分：
|
||
- 微分符号：`\int dx`
|
||
- LaTeX 命令内部：`\vdots`, `\lambda`
|
||
- 变量名：`dx`, `dy`
|
||
- 下标：`x_{dx}`
|
||
|
||
## 解决方案
|
||
|
||
### ✅ 最终决定：禁用微分规范化
|
||
|
||
**文件**: `app/services/ocr_service.py`
|
||
|
||
**修改内容**:
|
||
1. 更新正则表达式（增加前后保护）
|
||
2. **禁用 Stage 2 微分规范化**（注释掉相关代码）
|
||
|
||
### 保留的功能
|
||
|
||
| Stage | 功能 | 状态 | 说明 |
|
||
|-------|------|------|------|
|
||
| 0 | 数字错误修复 | ✅ 保留 | `2 2. 2` → `22.2` |
|
||
| 1 | 拆分粘连命令 | ✅ 保留 | `\intdx` → `\int dx` |
|
||
| 2 | 微分规范化 | ❌ **禁用** | 避免误判 |
|
||
|
||
### 为什么禁用而不是修复？
|
||
|
||
**成本收益分析**:
|
||
|
||
启用微分规范化：
|
||
- ✅ 小收益：微分符号格式稍微规范
|
||
- ❌ **高风险**：破坏 LaTeX 命令、变量名、下标
|
||
|
||
禁用微分规范化：
|
||
- ❌ 小损失：`\int dx` 不会变成 `\int d x`
|
||
- ✅ **高收益**：所有 LaTeX 命令和变量名都安全
|
||
|
||
**结论**: 风险远大于收益，禁用是正确选择。
|
||
|
||
## 受保护的 LaTeX 命令
|
||
|
||
禁用后，以下命令现在都是安全的：
|
||
|
||
**希腊字母**:
|
||
- `\delta` (δ)
|
||
- `\Delta` (Δ)
|
||
- `\lambda` (λ)
|
||
|
||
**省略号**:
|
||
- `\vdots` (⋮)
|
||
- `\cdots` (⋯)
|
||
- `\ldots` (…)
|
||
- `\ddots` (⋱)
|
||
- `\iddots` (⋰)
|
||
|
||
**其他**:
|
||
- 所有包含 `d` 的自定义命令
|
||
- 所有变量名和下标
|
||
|
||
## 可选方案
|
||
|
||
如果确实需要微分规范化，代码中提供了上下文感知版本：
|
||
|
||
```python
|
||
def _normalize_differentials_contextaware(expr: str) -> str:
|
||
"""只在特定上下文中规范化微分：
|
||
1. 积分后：\\int dx → \\int d x
|
||
2. 分式分母：\\frac{dy}{dx} → \\frac{dy}{d x}
|
||
"""
|
||
# 实现见 ocr_service.py
|
||
```
|
||
|
||
**默认不启用**，用户可自行评估是否需要。
|
||
|
||
## 部署步骤
|
||
|
||
1. ✅ 代码已修改
|
||
2. ✅ 无语法错误
|
||
3. 🔄 **重启服务**
|
||
4. 🧪 **测试验证**:
|
||
```bash
|
||
python test_disabled_differential_norm.py
|
||
```
|
||
|
||
## 测试验证
|
||
|
||
```python
|
||
# 应该全部保持不变
|
||
assert process(r"\vdots") == r"\vdots" # ✅
|
||
assert process(r"\lambda_{1}") == r"\lambda_{1}" # ✅
|
||
assert process(r"\delta") == r"\delta" # ✅
|
||
assert process(r"dx") == r"dx" # ✅
|
||
assert process(r"x_{dx}") == r"x_{dx}" # ✅
|
||
|
||
# OCR 错误修复仍然工作
|
||
assert process(r"\intdx") == r"\int dx" # ✅
|
||
assert process("2 2. 2") == "22.2" # ✅
|
||
```
|
||
|
||
## 影响分析
|
||
|
||
### ✅ 正面影响
|
||
- LaTeX 命令不再被破坏
|
||
- 变量名和下标不再被误改
|
||
- 误判风险大幅降低
|
||
- 代码更简单，更易维护
|
||
- 处理速度略微提升
|
||
|
||
### ⚠️ 潜在影响
|
||
- 微分符号不再自动规范化
|
||
- `\int dx` 不会变成 `\int d x`
|
||
- 但两者都是有效的 LaTeX，渲染效果相同
|
||
|
||
### 📊 总体评估
|
||
✅ **正向改进**：风险降低远大于功能损失
|
||
|
||
## 设计哲学
|
||
|
||
OCR 后处理应遵循的原则：
|
||
|
||
1. ✅ **只修复明确的错误**（数字错误、粘连命令）
|
||
2. ✅ **保守而不是激进**（宁可不改也不要改错）
|
||
3. ✅ **基于白名单**（只处理已知情况）
|
||
4. ❌ **不依赖语义理解**（无法区分微分和变量名）
|
||
5. ❌ **不做"智能"猜测**（猜错代价太高）
|
||
|
||
**核心原则**: **Do No Harm** - 不确定的时候，不要修改。
|
||
|
||
## 相关文档
|
||
|
||
- 详细报告: `docs/DISABLE_DIFFERENTIAL_NORMALIZATION.md`
|
||
- 测试脚本: `test_disabled_differential_norm.py`
|
||
- 之前的修复: `docs/DIFFERENTIAL_PATTERN_BUG_FIX.md`
|
||
|
||
## 总结
|
||
|
||
| 修改 | 状态 |
|
||
|-----|------|
|
||
| 禁用微分规范化 | ✅ 完成 |
|
||
| 保护 LaTeX 命令 | ✅ 完成 |
|
||
| 保留数字修复 | ✅ 保留 |
|
||
| 保留命令拆分 | ✅ 保留 |
|
||
| 无语法错误 | ✅ 验证 |
|
||
| 等待重启验证 | 🔄 待完成 |
|
||
|
||
**下一步**: 重启服务，测试包含 `\vdots` 和 `\lambda` 的图片！
|