Числа и даты после распознавания

Пять файлов заказчика прогнаны через работающее приложение целиком. Ниже — сколько значений сходится с эталоном и что дала чистка.

84.5% было 82.1%
значений сошлось с эталоном: 278 из 329
1
ячеек приведено к единому виду
4 из 5
дат документа сходятся с эталоном

Что именно изменилось

Прирост складывается из двух разных вещей, и их лучше не путать.

По каждому файлу

Файлбылосверка по ячейкамитог значений сошлосьячеек почищеночинили по арифметике
Пример 1
0d7b0e7c-e4b6-40b4-9a62-6eec02c07c12.pdf
95.0%95.0%95.0%133 из 14000
Пример 2
1c6c0fac-f82a-4219-be4b-4918653068f4.pdf
17.1%17.1%34.3%12 из 3510
Пример 3
1f0b3cfd-c38a-433c-a029-5122aab57d6b.pdf
0.0%0.0%0.0%0 из 700
Пример 4
2b0791f5-c8d2-4157-beea-e8fe6c362de8.pdf
71.4%76.2%76.2%16 из 2100
Пример 5
3e43a1d4-288d-42ec-989a-385ff87719d4.pdf
92.1%92.9%92.9%117 из 12600
Итого82.1% 82.7%84.5% 278 из 329 10

Как чистятся числа

Ничего не дорисовывается. Исправленное значение всегда собрано из тех же цифр, которые прочитал движок: можно вернуть на место запятую, нельзя подставить недостающую цифру. Если арифметика не сходится ни при каком прочтении — значение остаётся таким, как прочитано.

Что починила арифметика строки

Файлпрочитаносталопочему
Пример 587 406,3087 406,80цифра «3» прочитана вместо «8» — проверено арифметикой строки

Даты документов

Дата сверяется как дата, а не как надпись: 20,10,2022, 20/10/22, 2О.1О.2О22 и 20 октября 2022 г. — это одна и та же дата 20.10.2022. Несуществующие даты не «чинятся»: 32.13.2022 так и остаётся текстом.

Файлдата в эталонедаты, найденные в документеитог
Пример 120.10.202202.04.2021, 20.10.2022, 26.12.2011сходится
Пример 216.01.202514.01.2025, 15.01.2025, 16.01.2025, 26.12.2047сходится
Пример 325.02.202516.08.2024, 26.12.2011не нашли
Пример 423.05.202402.04.2021, 20.05.2024, 22.05.2024, 23.05.2024, 26.12.2011сходится
Пример 520.02.202504.02.2025, 16.08.2024, 20.02.2025, 26.02.2025, 26.12.2011сходится

Пример 3 — тот документ, на котором таблица не разбирается совсем (0 % значений): дат в нём тоже не нашлось. Это отдельная известная проблема, к чистке она отношения не имеет.

Откуда числа

живой прогон пяти файлов заказчика из Assets через работающее приложение (tools/live_run_all.py), сырые ответы в bench/real. Правила подсчёта процента — те же, что и раньше, одни на все страницы: пояснение к формату эталона. Знаменатель во всех трёх столбцах одинаковый, из счёта не выброшено ничего.

К остальным страницам