扫描件复原转 Word

目的：把"只有图像的扫描件"变成"可编辑、可填写、且与原件等效的文档"。

本质困难：反推是欠定推断——扫描件是文档的有损投影，往回推一定有错，而且错误在成品上看不出来。
（实证：验收数据"均差 0.15pt / IoU 0.994"，实际 21 项里错 17 项，见 references/像素反推误差档案.md。）

所以本技能要交付的是"一份带可信度标注的文档"，不是"一份看起来像的文档"。
"像"是手段，"能改能填、不被退回"才是目的。

一、执行卡

进门三问（不答不动手）

「先定交付目标」的差别（默认按左列做）：

⚠️ 动手前先分清：这一页上有几个文档。 从公文里抽出的一页，页脚的版记（抄送/印发）与
页码属于发文通知，不属于附件本身。判别法：原件 Word 里有没有 footer/header 文件、
附件标识是否另起一行顶格。我曾把版记 + 3 条版记线 + 页码一起复刻进附件，多出 5 个元素。

输入质量分级（先分级，再承诺）

五条不许破的线

1. 先要原件——有原件则一切推断作废
2. 先验只缩范围，不下结论
3. 每一处与原件的不同，都要能回答"原件是不是本来就这样"——答不出就是我自己加的
4. 工具不能倒逼内容——手段不好用就换手段，别改被验收的文档
5. 交付时按来源分层声明（原件 / 实证 / 反推），不把推断说成事实

误差预算（力气按容差分，不按"哪里容易测"）

结构性属性容差为 0（错了没法用别的参数补）；度量性属性有容差。

⚠️ 三个数字别混用：±0.2pt = 版面敏感阈值（判断值不值得死磕）；≤0.5pt = 取整档闸门；
±0.5pt = 对外声明的不确定度。

能力清单（未实测的不许说成"支持"）

拿不到原件时：可证伪五件套（至少做前四条）

1. 内部一致性：列宽合计 = 表格宽 = 版心（或已知溢出量）；行高合计 + 上下留白 = 页高
2. 多分辨率交叉：同一元素在 200/300/600dpi 各测一次，结果应收敛
3. ≥3 个独立样本：字体与字号由 3 处不同位置交叉得出，彼此差异 <0.1pt
4. 误差声明：写明这是反推件，并给范围（几何 ≤0.5% / 字号 ±0.5pt / 字体族级确定、款级存疑）
5. 可用性抽检：填入示例数据看折行与串行（见第 5 步）

二、流程

第 0 步　先要原件（最高优先）

问一句："这份文件是哪个部门发的？他们那边有没有 Word 原版？能拿到我就不用从扫描件反推了，改出来零误差。"

拿到原件后只剩一件事：核对原件与手上的扫描件是否同版（机关可能事后改过）。判据：

不同版时以扫描件为准（用户手上那份才是他要的结果），原件值当强候选逐一确认，并把差异写进交付说明。

第 0.1 步　判断是不是扫描件 + 有没有整页缩放

import fitz
pg = fitz.open(path)[0]
print(len(pg.get_text()), pg.get_images(full=True))   # 文本 0 + 有图 = 扫描件

再算 图片像素宽 ÷ 页面宽(pt) × 72：等于 300 说明 1:1 扫描，测得尺寸即原件真实尺寸；
不是整数说明被缩放过，此时只能复刻比例、不能照搬绝对值。

第 0.5 步　问发布机关 → 查先验（只缩范围）

问："这份文件是哪个机关发布的？知道机关我就能先把候选字体缩小，测出来和惯例冲突时也能立刻警觉。
不知道就说'不清楚'，我按纯实测走。"

然后查 references/发文机关先验.md（含来源分级：【原件】/【实证】/【反推】/【待验】）。

⚠️ 读条文找「限定词」（这条能救你）：带"一般 / 推荐 / 如无特殊说明"的是可调整项，必须实测；
带"应当 / 必须 / 用…字"（无限定词）的才是硬规定，可直接照用。
例：GB/T 9704 附件标识「用3号黑体字」是硬的（实测吻合）；正文「一般用3号仿宋」是软的
（实测为楷体，不违反国标——同条明文允许"特定情况作适当调整"）。
别拿"公文正文＝仿宋三号"去套表单——国标管"公文版式"，不管"表单内容"。
先验只用来缩范围：用 identify_font.py --filter 跑完，必须再跑一次全量对照——
全量第一名若落在候选集之外，说明先验失准，信实测，并把这次实测回填进先验表。

> 先验按机关存，但同一机关内部不同元素字体也会不同，每个元素都要单独实测。

第 1 步　字体 + 字号双定标（scripts/identify_font.py）——不可跳过

字体靠目视＝赌博，用掩膜 IoU 网格搜索给数据。

python3 scripts/identify_font.py --pdf scan.pdf --probe                    # ① 探行带坐标
python3 scripts/identify_font.py --pdf scan.pdf --text "授权委托事项：" --rect 76 466 173 484
python3 scripts/identify_font.py --pdf scan.pdf --text "…" --rect … --filter 楷体   # ③ 先验候选集

• 判定规则：第一名字形分 ≥ 次名 1.15 倍（差 ≥0.15）可下结论；<1.08 倍必须换行交叉验证。
  同设计变体（简体/繁体/_GBK）脚本已归并，别被"次名是自己"骗了。
• 两侧必须同等膨胀（默认 --dilate 1）：只膨胀原件会系统性偏袒粗笔字体。
• 短串要连全/半角一起判：把 附件１（全角）与 附件1（半角）各跑一次比分数。
  ⚠️ 全/半角必须每案单独判，不要沿用上一个案子。
• 字号三口径互校：墨迹宽法（脚本自带）／列投影字宽法（(末-首)/(n-1)）／反证法（换字号渲染比几何）。
  ⚠️ 列投影在短串（≤4 字）上不可信，必须用 ≥10 字的串。
  ⚠️ 反证法用逐行墨迹投影相关，别用"墨迹带条数"（下划线与文字并带，条数天然不等）。
• 小字号 + 长串 IoU 会失效（200dpi、12pt：各候选 IoU 都 0.30~0.37）。两条兜底：
  ① 降到族级结论（写"宋体/黑体/楷体"）；
  ② 改用墨迹密度（墨迹像素 ÷ 墨迹包围盒面积，同口径）——
  楷体≈15~17 / 书宋≈17~20 / 黑体≈27~28 / 宋体≈30~34（数据见 references/像素反推误差档案.md）。
  三条限制：只能排除不能定案（样本量 2、与字重强相关）；看量级与排序别抠绝对值；
  候选必须用本机真实字体，先 fc-match <字体名> 查映射（本机 macOS：黑体→Noto Sans SC、
  宋体→Songti SC，不是 SimHei/SimSun，密度不可跨机照抄）。
• 字号优先取整档（22/16/14/12/11pt）。要动字符缩放 w:w 必须三条闸门全过：
  ① 实测与整档差 ≤0.5pt 就直接写整档；② 该值由 ≥3 个独立样本交叉得出、彼此差 <0.1pt；
  ③ 有原件时一律照抄声明值。写法见 references/构建规范.md。
  > 反例：原件标题本是干净的整档值，我测出小数后写「下调 0.5pt + 缩放 102%」去凑——把测量噪声写进了文档。
  > （具体数值见 references/发文机关先验.md 案例 #2）

第 2 步　量几何（页面 / 表格）

• 页面：页宽高、四边边距、页脚距离、w:docGrid（照抄）、版心宽。
• 表格网格：先用 cv2.HoughLinesP 测倾角（歪的先转正），再形态学开运算分离长横线／长竖线，
  横线数−1 = 行数、竖线数−1 = 列数，线中心距即列宽／行高。
  所有竖线纵贯全表 ⇒ 无纵向合并；某行横线缺段 ⇒ 该处有 gridSpan。
  表内文字先 cv2.subtract(bw, bitwise_or(横线, 竖线)) 去线再取范围。
• 短串（页码级）再加"分段拟合"：比分段模式（段宽+段间距），只比总宽会选错。

第 3 步　构建

# 表格式：参数驱动，脚本不猜任何值
python3 scripts/build_table_docx.py spec.json -o out.docx

# 段落式：脚本内含案例 #1 的参数（改成你自己的实测值）
python3 scripts/build_form_docx.py

• spec 结构见 references/table-spec-模板.json；经原件核对的样例见 references/table-spec-律协附件3.json。
  spec 必填 _sources（每个参数的来源等级）。
• 构建要点清单（细节与原理见 references/构建规范.md）：
  w:rFonts 三属性齐设（ascii/hAnsi/eastAsia）；ASCII 字体必须是 Times New Roman（决定 _ 下沉）；
  关 autoSpaceDE/DN；行距用 lineRule="exact"；长填空线手动 <w:br/> 断行并每行留 8pt 余量；
  w:docGrid 照抄原件（或全段显式行距，绝不能删网格还留几段没有行距）；
  w:tblPr 子元素顺序是强制的（乱序会被静默忽略）；单元格边距用原件值（别乱压 tblCellMar）；
  表格可以比文本列宽（jc=center 居中溢出，别改页边距迁就）；边框 w:sz 单位 1/8pt。
• ⚠️ 已知不对称：spec + _sources + 原件核对样本 这套机制目前只有表格分支有；
  段落式只有 build_form_docx.py（参数写死在脚本里）。下次做段落式案件、且拿到原件时，顺手把参数导成 spec。

第 4 步　校对（渲染器优先 Microsoft Word）

python3 ~/.workbuddy/skills/word-to-pdf-macos/scripts/batch_word_to_pdf.py <out.docx>

• LibreOffice 的纵向位置与折行数在两种情况下不可信：① 文档带 w:docGrid；② 目标字体被回退。
  文档无网格且字体齐全时 LO 也可信。根因与实测见 references/校对与验证.md。
  我曾被 LO 的假失配骗着改了不该改的地方（压单元格边距、把表格改左对齐）——验收工具选错比不验收更危险。
• Word 不可用时（TCC 权限被拒等）：换「同引擎独立实现对照」验构建保真度；绝对禁止据 LO 渲染改文档。
• 同引擎独立实现对照（验"构建保真度"，不依赖 Word）：把原件参数导出成 spec → 跑构建器 →
  两份用同一引擎渲染，引擎偏差相互抵消。本案 8 横线 + 9 竖线逐条 Δ=0.00pt ⇒ 构建环节零缺陷。
• 验收线与基准定义见 references/校对与验证.md（有原件 / 无原件两套基准，别混）。
• ⚠️ 从扫描件反推的绝对尺寸带 ~0.5% 系统性偏差，列宽会整体略窄于原件；别声称"0.1pt 级吻合"。

第 5 步　交付前自检（脚本化，不通过不交付）

python3 scripts/audit_docx.py out.docx                   # 参数全表 + 计数 + 一致性
python3 scripts/audit_docx.py out.docx --spec spec.json  # 再与 spec 逐项比对（理想：零差异）

1. 数量校验（双向条目比对）——脚本列出段落数/表格行列数/下划线字符数/页眉脚元素/页面元素清单；
   与"原件有什么"的集合必须一一对上，多出的要能说出理由。别用眼睛数表格行。
2. 逐段核对 w:eastAsia/w:ascii/w:sz/w:w/行距/缩进/w:docGrid/表格列宽行高 —— 读脚本打印的表。
3. 每一视觉行宽度 ≤ 可用宽度（CJK 1em、_ 0.5em 累加，含缩放）。
4. 原文关键句 substring 全在（比对前先去掉 <w:br/> 渲染出的 \n）。
5. 无占位符/模板残留（[\(\)\[\]\{\}]|\{\{|XX|待填|TODO|示例）。
6. 元素归属复核：逐个页眉/页脚/线框元素反问"它属于这份文档，还是属于页面上的其他文档？"
7. 无"未经质询的改动"清单：把与原件的每一处不同列出来，逐条回答"原件是不是本来就这样？"——答不出就回退。
8. 可用性抽检（"像"之外的验收）：填一遍——数据格填示例、填空线打字，看
   ① 折行位置是否变化 ② 是否串行/行高跳变 ③ 是否仍可编辑。精度是手段，"填得进去"才是目的。
9. 可信度分层声明落笔（见下）。

三、交付说明要写什么

• 有没有拿到原件：拿到了就说"与原件逐项一致"；没拿到必须写明这是反推件并给误差范围。
• 参数来源分层：哪些来自原件、哪些实测、哪些推断（对应 spec 的 _sources）。
• 发布机关与惯例，以及本次实测是否与惯例一致（不一致要点名）。
• 用到的字体名（含 ASCII 字体），方便换机核对。字号若用了字符缩放要说明为什么。
• 哪些元素是我判定"属于/不属于"本文件的，以及依据（附件标识留、版记页码去）。
• 残留差异要点名（哪些没复刻、为什么）。

四、遇到问题去哪查

改完技能本体，跑 python3 scripts/self_check.py（frontmatter／引用完整性／
摘要表与先验表同值／编号不重复／计数口径／脚本冒烟／关键规则在位），不通过不发布。

> 法律科技实务工具 · 维护者陆凌燕律师（北京德恒·无锡）· 关注公众号「鹿鸣于野 UMU」获取更多内容