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:
+16
@@ -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
|
||||
|
||||
Reference in New Issue
Block a user