940a406dce
Backup commit before executing remove-unused-code proposal. This includes all pending changes and new features. 🤖 Generated with [Claude Code](https://claude.com/claude-code) Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>
1.6 KiB
1.6 KiB
1. Fix Table HTML Extraction
1.1 pp_structure_enhanced.py
- 1.1.1 在 bbox overlap 匹配時（L527-534）添加
pred_html提取邏輯 - 1.1.2 確保
element['html']在所有匹配路徑都被正確設置 - 1.1.3 添加
extracted_text從 HTML 提取純文字內容 - 1.1.4 添加日誌記錄 HTML 提取狀態
2. Fix PDF Coordinate System
2.1 pdf_generator_service.py
- 2.1.1 對於 OCR Track，使用 OCR 座標系尺寸 (如 1275x1650) 作為 PDF 頁面尺寸
- 2.1.2 修改
_get_page_size_for_track()方法區分 OCR/Direct track - 2.1.3 調整字體大小計算，避免因縮放導致文字過小
- 2.1.4 確保座標轉換在 OCR Track 時不進行額外縮放
3. Improve Table Cell Quality Check
3.1 pdf_generator_service.py
- 3.1.1 審查
_check_cell_boxes_quality()判定條件 - 3.1.2 放寬或調整判定閾值，避免過度過濾有效表格 (overlap threshold 10% → 25%)
- 3.1.3 添加更詳細的日誌說明為何表格被判定為 "bad quality"
3.2 Fix Table Content Rendering
- 3.2.1 發現問題：
_draw_table_with_cell_boxes只渲染邊框，不渲染文字內容 - 3.2.2 添加
cell_boxes_renderedflag 追蹤邊框是否已渲染 - 3.2.3 修改邏輯：cell_boxes 渲染邊框後繼續使用 ReportLab Table 渲染文字
- 3.2.4 條件性跳過 GRID style 當 cell_boxes 已渲染邊框時
4. Testing
- 4.1 使用 edit.pdf 測試修復後的 OCR Track 處理
- 4.2 驗證表格 HTML 正確提取並渲染
- 4.3 驗證文字大小一致且清晰可讀
- 4.4 確認其他文件類型不受影響