fix: OCR吞字纠错 + 拉黑'拍了拍'系统通知

1. OCR吞字纠错:在_normalize_ocr_text中添加词级纠错字典,
   修复Windows OCR常见汉字误识别(手髓→手续、β余→多余、
   早原→草原、届件→插件、文|牛→文件、日何→如何)
2. 拉黑'拍了拍':加入_UI_SUBSTR_BLOCKLIST,过滤微信/QQ
   '拍了拍'系统通知(UI按钮触发,非用户消息)
This commit is contained in:
youpaishidifu
2026-07-31 17:40:44 +08:00
parent 9d30943a84
commit 9163f12fcb
+16
View File
@@ -166,6 +166,8 @@ _UI_SUBSTR_BLOCKLIST = frozenset({
'债券总和', '注册用户总数', 'php管理员', '消息漫游',
# QQ 群"共同好友"推荐(非聊天内容,OCR误读触发查库)
'共同好友', '点击添加好友',
# 微信/QQ "拍了拍" 系统通知(UI按钮触发,非用户消息)
'拍了拍',
})
@@ -883,6 +885,20 @@ class MessageMonitor:
text = re.sub(r'<\s*div\s*/?\s*>', '\n', text, flags=re.IGNORECASE)
text = re.sub(r'<[^>]+>', '', text)
# ⭐ Windows OCR 常见汉字误识别纠错(词级,降低误伤)
# OCR 把相似笔画/结构的字搞混,只在确认是误识别的词组上替换
_ocr_fixes = {
'手髓': '手续', # 髓(骨髓) → 续(手续),笔画结构相似
'β余': '多余', # β(希腊字母) → 多,OCR把"多"拆成β形状
'早原': '草原', # 早 → 草,上半部分相似
'届件': '插件', # 届 → 插,结构相似
'文|牛': '文件', # 文|牛 → 文件,OCR把"件"拆成|牛
'日何': '如何', # 日 → 如,结构相似
'何使': '如何使', # 兜底:如果"如何"被拆成"日何"但前面有字
}
for wrong, right in _ocr_fixes.items():
text = text.replace(wrong, right)
return text.strip()
@staticmethod