PDF 转移动端 HTML
这个 skill 解决什么
保单类 PDF 在手机上直接看体验很差：表格跨页、表头重复、字号小、要横向拖动。本 skill 把 PDF 忠实转成一个自包含的 HTML 文件，手机浏览器直接打开即可，内容严格等于原文，不添加原文没有的标题、注释、装饰。
核心保证（每一项都有自动校验兜底）：
| 保证 | 实现 |
|---|---|
| 表格列数自适应 | 按几何网格识别列边界，支持 2 / 3 / 4 / 5+ 列；列宽按内容估算为百分比，随屏宽自适应 |
| 嵌套表头 | 多行表头按 rowspan / colspan 还原到 <thead> |
| 跨页续表 | 续页首行断行自动并回上一行；逐页重复的表头按结构去重 |
| 合并单元格 | 分类列（如科室）按几何线推导 rowspan，纵向合并 |
| 加粗还原 | 逐字符识别，中文伪粗体与拉丁 Bold 都覆盖 |
| 无表格文档 | 自动退化，只输出白底黑字的段落 |
| 内容纯净 | verify.py 逐字符比对，多字 / 漏字都报错 |
用法
# 1) 转换
python scripts/convert.py <input.pdf> <output.html> [--title 页面标题]
# 2) 校验（必做）
python scripts/verify.py <input.pdf> <output.html>
# 3) 批量自检（含内置样例，可选传真实 PDF）
python scripts/selftest.py [--pdf a.pdf --pdf b.pdf]
依赖：pdfplumber、pymupdf。若当前 python 没装这两个包，直接用 WorkBuddy 的隔离环境（已装好）：
~/.workbuddy/binaries/python/envs/default/bin/python scripts/convert.py <in.pdf> <out.html>
convert.py 会在 stdout 打印统计行（页数 / 表格页 / 列数 / 列标签 / 表头行 / 数据行 / 分类块 / 段落数），警告走 stderr。stderr 有警告必须人工核对。
--title 不传时取 PDF 文件名。文件里的 <title> 只影响浏览器标签，不影响正文。
校验怎么读
verify.py 三项检查，退出码 0 才算通过：
- 内容纯净：HTML 文字必须全部出现在 PDF 里（
多余字符必须为 0），PDF 的字也不能丢（完全缺失字符必须为 0）。重复区域去重一栏允许非零，那是逐页重复的表头被按结构去重。 - 网格自洽：每行被
colspan/rowspan覆盖的列数必须相等。这类错误不改文字、只让整行消失或错位，光比文字看不出来，必须单独校验。 - 窄屏数值列余量：数值列是
nowrap，按 360px 屏宽算出可用宽度与所需宽度，余量为负说明会被裁切。 - 加粗匹配支持跨页拆分：排版折行拼回后，一个
<strong>可能横跨页边界（跨页续表合并），PDF 粗体流按页拼接找不到完整子串。校验时允许按合并边界拆成两半分别匹配，每一半仍必须逐字符命中。
处理流程（都是踩过坑后的正确做法）
1. 表格页判定与几何网格
有表格线的页为表格页（page.find_tables()），其余按正文处理。
列边界：取贯穿表格的竖线，按 x 聚类（容差 1.8pt）。判据是共线线段合并后的覆盖比例（union_cover），不是单段长度。PDF 里表格线常按单元格逐段绘制，用单段长度判断会把 4 列表格判成 3 列。同理行边界用横线合并覆盖。
行列跨度：某条候选分界线上没有线，就说明被上方 / 左侧单元格的 rowspan / colspan 覆盖，据此推导跨度。
不要用 t.cells：真实保单里同一个短语单元格可能被切成多块，跨页处尤其碎。
2. 空行带必须丢，但 gid 不能跳号（关键坑）
一个行带（两条横线之间的带）可能所有列都被上方单元格的 rowspan 覆盖，此时渲染不会产生 <tr>，必须丢弃，否则它会进入分类块的行数统计，让分类单元格的 rowspan 超出实际行数，科室纵向错位。
但丢的时候 gid 必须照常自增：gid 是「几何行号」，跨行单元格的 span_bands 是按几何行数记的。若丢行带时把 gid 也跳过，pos(gid + span_bands) 就会多算，吃掉下面一整行真实数据（症状：某行文字整行消失，但字符数校验不一定报错，要靠网格校验抓）。
3. 跨页续表合并
续页第一个行带满足全部条件才并入上一页最后一行：值列（金额）为空、上一行文本不以终止符结尾、且该带里每个有字的格子都能在上一行找到同列的格子。位置比对是必要条件，只看「金额为空」会把无关行并掉。
4. 分类列分块
分类列（科室）的单元格从数据单元格里摘出，改由「块」表达：一个块 = 连续若干行共用一个 rowspan 的分类格。块的行数按保留后的行数计，与 rowspan 严格对齐（sum(n) == len(rows)，不一致会打警告）。
5. 加粗
pymupdf get_texttrace() 取每页字符的笔画信息：中文伪粗体 = type=1 的重绘笔画，拉丁 / 数字 = 字体名含 Bold。与 pdfplumber 的 (x0, top) 同坐标系数值取整到 0.1 后按 ±0.1 查 9 邻域匹配，逐字符标记再合并同粗细片段。
不要用文本子串匹配：单字符加粗片段和重复文本都会产生歧义。
6. 文本规整
同一视觉行内编号与中文基线可能差约 2pt，先按 top 容差聚子行、子行内按 x 排序，否则条款编号会被挤到行尾。汉字与数字 / 字母之间由字距产生的空格删除；原文真实存在的空格（JR/T 0083）保留。
表格单元格内的排版折行必须拼回（lines_html）。PDF 单元格按 PDF 自己的列宽折行，折行位置与 HTML 渲染列宽无关，原样保留 <br> 就是「移植皮 / 瓣或肢 / 体组织坏死」这类莫名换行。拼回规则与正文段落一致：只有下一行以编号 / 项目符号开头（真正的列表结构，ENUM_RE）才保留换行，其余行无缝拼接（中文无连字符断词，拼接安全）。粗体跨行拼接后用 merge_segs 合并相邻同粗细片段。
7. 列宽
按内容估各列需求宽度（term_width，汉字 2 / 其余 1），归一化成百分比：
- 下限：数值列 16%、分类列 13%、文字列 22%（防止被挤没）。
- 上限：分类 / 数值列不超过 40%；表里一个文字列都没有时（如「科室 + 金额」两列）放宽到 55%，让比例贴近原表而不是两列各半。超出的份额转给文字列，每次转完要重新归一化，否则上限会被重新放大。
nowrap 只加在 td.num（数据格）。表头 th.num 允许换行，否则长表头在窄屏会溢出。
8. 无表格文档
检测不到表格时输出纯段落，不引入任何表格样式。页边带的文字只有「多页重复出现」或「纯页码」才丢弃，单页的标题属于正文必须保留。
验收动作
verify.py三项全过，退出码 0。- 与 PDF 原文对照首条、末条、跨页续行处的文本完整性。
- 同类文档交叉验证（有多份同结构文档时最有力）：同一产品的不同保障计划，条款文字应逐字一致，只有保额等变体字段不同。把两份输出的表格行、段落、分类块（
td.cat的名称与rowspan）提取出来做集合比对：
- 条款文字、分类块划分必须完全一致；
- 差异只应出现在保额（数值列）和随保额联动的段落上。
若条款文字出现差异，基本可以断定有一份丢字或错位。这比单份校验更能暴露问题，因为丢字往往不影响字符计数（去重后照样平衡）。
- 需要看真实渲染时，在 HTML 里注入一段脚本读
getBoundingClientRect()，用 Chrome 无头模式--dump-dom取回测量值：
bash
"/Applications/Google Chrome.app/Contents/MacOS/Google Chrome" \
--headless=new --disable-gpu --virtual-time-budget=4000 \
--dump-dom "file:///tmp/probe.html" > /tmp/dom.html
这比截图可靠：无头模式的视口宽度与本机窗口 / 截图宽度可能不一致，截出来的图不代表手机上的效果；而列宽是百分比，直接读测量值可以算出任意屏宽下的实际像素。
注意：文件一旦放进被编辑器接管的目录，编辑器会往标签上注入 data-page-node-id 之类的属性。校验脚本的正则要容忍标签带属性（<strong[^>]*>、<col[^>]*style="width:..."[^>]*>），否则会误判成「找不到加粗」「没有列宽」。
适用范围与限制
- 适用：文字型 PDF（可选中文字），正文段落 + 表格的文档结构。
- 不适用：扫描件图片 PDF（需 OCR，本 skill 不做）。一页有多个表格时只处理第一个并打警告。
- 已实测：大地财险手术意外险特别约定（6 页 / 3 列 / 11 科室块 / 60 数据行 / 211 处加粗）、两张投保须知（无表格）、以及
examples/下 4 个合成样例（2 列、4 列嵌套表头跨页、无表格、2 列合并）。 examples/里的样例由scripts/gen_cases.py生成，可用于回归；scripts/selftest.py一键跑完转换 + 校验。
