59206a6ab8
Changes: - Replace PP-Structure 7-slider parameter UI with simple 3-option layout model selector - Add layout model mapping: chinese (PP-DocLayout-S), default (PubLayNet), cdla - Add LayoutModelSelector component and zh-TW translations - Fix "default" model behavior with sentinel value for PubLayNet - Add gap filling service for OCR track coverage improvement - Add PP-Structure debug utilities - Archive completed/incomplete proposals: - add-ocr-track-gap-filling (complete) - fix-ocr-track-table-rendering (incomplete) - simplify-ppstructure-model-selection (22/25 tasks) - Add new layout model tests, archive old PP-Structure param tests - Update OpenSpec ocr-processing spec with layout model requirements 🤖 Generated with [Claude Code](https://claude.com/claude-code) Co-Authored-By: Claude <noreply@anthropic.com>
1.9 KiB
1.9 KiB
Tasks: Fix OCR Track Table Empty Columns
1. Core Implementation
- 1.1 在
ocr_to_unified_converter.py實作trim_empty_columns(table_dict: Dict[str, Any]) -> Dict[str, Any]- 依據 cells 陣列計算每一欄是否「所有 row 的內容皆為空/空白」
- 使用
.strip()判斷空白字元
- 1.2 實作欄位移除邏輯
- 更新 columns/cols 數值
- 調整各 cell 的 col 索引
- 1.3 實作 col_span 重算邏輯
- 若 span 跨過被移除欄位，縮小 span
- 若整個 span 落在被刪欄位上，移除該 cell
- 1.4 在
_convert_table_data入口呼叫trim_empty_columns- 在建 TableData 之前執行清洗
- 同時也在
_extract_table_data(HTML 表格解析) 中加入清洗
- 1.5 (可選) 依 bbox x0/x1 進行欄對齊排序
- 若可取得 bbox 網格，先依 x0 排序再重排 col index
- 此功能延後實作，待 bbox 資料確認可用性後進行
2. Testing & Validation
- 2.1 單元測試通過
- 測試基本空欄移除
- 測試表頭空但數據有值（不移除）
- 測試 col_span 跨越被移除欄位（縮小 span）
- 測試 cell 完全落在被移除欄位（移除 cell）
- 測試無空欄情況（不變更）
- 2.2 檢查現有 OCR 結果
- 現有結果中無「整欄為空」的表格
- 實作已就緒，遇到空欄時會正確清理
- 2.3 確認 Direct/HYBRID 表格不變
OCRToUnifiedConverter僅在ocr_service.py中使用- Direct 軌使用
DirectExtractionEngine，不受影響
3. Edge Cases & Validation
- 3.1 處理 columns 欄位為 0/缺失的情況
- 以計算後的欄數回填，避免 downstream 依賴出錯
- 3.2 處理表頭為空但數據有值的情況
- 只移除「所有行皆空」的欄
- 3.3 確保不直接修改
backend/storage/results/...- 修改 converter，需重新跑任務驗證