昨天收在一個很尷尬的地方：第 61 頁三個公文字號，整頁送 0/6，切半送還是 0/6。

交叉引用解析要吃文字。沒有文字，後面什麼都不用談。所以今天分兩段：前半段先把字讀出來，後半段才輪到今天真正的題目。

先修 OCR：裁到只剩那一段

病因昨天已經找到了，是文字密度對上固定的 256 個視覺 token。那修法就很直覺：不要整頁塞，也不要切半，直接把要讀的那一小段裁出來，順便把渲染 DPI 從 200 拉到 400。

裁切座標第一次就抓錯了。

我原本沿用昨天切半的寬度，以為左半頁就是一個欄位。結果裁出來的 ground truth 裡混進一句「展望未來，台積公司將持續以員工體驗為核心⋯」。這是隔壁欄的字。第 61 頁的左半頁，內部其實還分兩欄，昨天模型把兩欄交錯拼接（案例集 M-08），原因就在這裡。

改成只取公文字號那一欄的實際欄寬，x 座標 40 到 305，不是半頁寬。這次乾淨了。

這件事讓我對「切半」這個做法有點改觀。它聽起來像一個幾何問題，找到中線切下去就好。但版面的欄位不會乖乖對齊你切的那條線。要裁，得看內容實際的文字框，不是頁面的幾何中心。

修完重打一次 GB10：

看到 6/6 的時候我真的鬆了一口氣。

輸出幾乎逐字正確。唯一挑得出來的錯是開頭「民國一百一十四年」少了一個「一」，變成「民國一百十四年」。又是國字數字。這個錯跟昨天那種整段幻覺、七百行空表格，已經是完全不同量級的問題了。

時間也從將近一分鐘降到 5.6 秒。一分鐘產出垃圾，跟五秒產出正確答案，差別不只在準確率。

有一個小細節：核對腳本在比對三個字號時，有兩個是 raw_hit=False, norm_hit=True。原因是模型照著原圖的斷行，把「竹環字第」跟「1140014905號」分在兩行。去掉空白之後就對上了。這個斷行問題等一下在抽取器裡又會遇到一次。

公文字號抽取

OCR 堪用之後，才輪到第一種交叉引用：把「XX字第NNNNNNNNNN號」這種公文字號，連同它關聯的罰鍰金額，從文字裡抽出來。

程式在 D:\iron-people\harness\citation_extractor.py。核心是兩個正則加一點領域規則，但過程中踩了三個坑，每一個都是真的跑出錯誤才發現的。

坑一：字號被換行切開

PyMuPDF 用 text 模式抽出來的文字，是照 PDF 版面逐行斷的。第 61 頁左半的三個字號裡，有兩個剛好被斷在「字第」跟數字之間，或數字跟「號」之間：

...《114年5月8日竹環字第
1140014905號》函裁定...

原本那個不容許中間有空白的正則，直接漏掉這兩筆。解法是在每個字面元件之間都允許空白：

_CITATION_CORE_RE = re.compile(r"字\s*第\s*(\d{4,12})\s*號")
_AMOUNT_RE = re.compile(r"新台幣\s*([\d,]+(?:\.\d+)?\s*萬?\s*元)")

數字本身（\d{4,12}）刻意不允許中間夾換行。這份文本裡數字沒有被從中間切開，我不想為了一個沒見過的情況把正則放得太寬。如果以後真的遇到，會抓不到，這是已知限制。

坑二：機關簡稱會多抓一個「日」

台灣公文字號的慣例寫法是「民國…年…月…日＋機關簡稱＋字第＋數字＋號」。機關簡稱前面緊接的是日期的「日」。

如果只是從「字」往回抓連續的中文字，會抓到「日竹環」。

_DATE_SUFFIX_CHARS = set("年月日時分")
_MAX_AGENCY_LEN = 6


def _extract_agency(text: str, zi_idx: int) -> str:
    chars = []
    i = zi_idx - 1
    while i >= 0 and len(chars) < _MAX_AGENCY_LEN and _is_han(text[i]):
        chars.append(text[i])
        i -= 1
    chars.reverse()
    # 剝掉開頭的日期單位字，例如 "日竹環" -> "竹環"
    k = 0
    while k < len(chars) and chars[k] in _DATE_SUFFIX_CHARS and len(chars) - k >= 2:
        k += 1
    return "".join(chars[k:])

往回最多抓 6 個字當候選，再把開頭的年、月、日、時、分剝掉。這條規則只針對「日期＋機關簡稱＋字第」這個樣式，不是通用的中文斷詞。機關簡稱本身如果剛好以「年」或「月」開頭，就會誤判。我知道，但現在手上沒有這種樣本，先不處理。

坑三：金額配錯人

這個坑最陰險，因為輸出看起來完全正常。

我一開始用「絕對距離最近」配對字號跟金額。結果第 2 筆字號被配到第 1 筆的罰鍰：前一筆的「新台幣40萬元」離第 2 筆字號只有 12 個字，第 2 筆自己的「新台幣45萬元」在後面 46 個字。

程式沒有報錯。三筆都有金額。只是其中一筆是錯的。

回頭看原文的句型：「《字號》函裁定…，被處以罰鍰新台幣OO元；《下一個字號》…」。金額幾乎都寫在自己字號的後面，而前一筆的金額會緊貼著下一筆字號的開頭。所以改成先找字號之後 50 字內最近的金額，找不到才往前找。

def _pick_nearest_amount(amount_matches, citation_start, citation_end):
    best_fwd, best_fwd_dist = None, None
    best_bwd, best_bwd_dist = None, None
    for m in amount_matches:
        if m.start() >= citation_end:
            dist = m.start() - citation_end
            if dist <= _ASSOC_WINDOW and (best_fwd is None or dist < best_fwd_dist):
                best_fwd, best_fwd_dist = m, dist
        elif m.end() <= citation_start:
            dist = citation_start - m.end()
            if dist <= _ASSOC_WINDOW and (best_bwd is None or dist < best_bwd_dist):
                best_bwd, best_bwd_dist = m, dist
    return best_fwd if best_fwd is not None else best_bwd

還有一個相關的小坑：我本來是先把字號前後 50 字切成一個小字串，再對小字串跑金額正則。結果視窗邊界剛好切在「新台幣」跟「40萬元」中間，金額整個比對不到。後來改成對整份原文跑一次金額正則，再用字元位置算距離。

Tip：配對類的邏輯（字號配金額、科目配附註、人名配職稱）最容易出「安靜的錯」。每一筆都有配到東西，所以數量檢查會過。要驗證，得拿一份你確定答案的資料，逐筆比對「配到的是不是對的那個」，只數筆數沒有用。

跑出來的結果

對 ground truth（第 61 頁左半，1305 字）：

[1] citation_full='竹環字第1140012798號'  agency='竹環'  citation_number='1140012798'  amount='新台幣40萬元'
[2] citation_full='竹環字第1140014905號'  agency='竹環'  citation_number='1140014905'  amount='新台幣45萬元'
[3] citation_full='竹環字第1140028822號'  agency='竹環'  citation_number='1140028822'  amount='新台幣45萬元'

驗證: 抓到 3/3 筆字號; 數字集合正確=True; 機關簡稱正確=True; 每筆都有關聯金額=True

對今天緊裁的真實 OCR 輸出（332 字）再跑同一支程式，結果一樣：3/3，三個字號跟 ground truth 完全相同，金額也都配對正確。

抽取器裡沒有任何針對 OCR 雜訊的特殊處理。這是刻意的。OCR 讀得好不好是上游的事，抽取器只負責吃乾淨的文字。如果我在抽取器裡加一堆「OCR 可能把 0 讀成 O」之類的猜測，兩個問題就會攪在一起，以後哪一邊出錯都查不清楚。

那附註跟主表呢？

規劃書這篇的標題是「年報附註與主表之間的字義怎麼對齊」。主表上寫「應收帳款淨額，附註十」，附註十裡面要真的在講應收帳款，合計數要跟主表對得上。

我興沖沖去年報裡找附註，然後發現一件事：這份年報裡沒有完整的合併財務報表。

Day 14 已經看到第 62 頁那句「請至公開資訊觀測站參閱本公司合併財務報告」。再往後翻，第 91 頁講關係企業合併財務報表時，也是同一句話。年報本身只放摘要跟敘事，完整的主表加附註是另一份文件，放在 MOPS 上。

我有點傻眼。原本以為附註跟主表會在同一份 PDF 裡互相引用，結果這份年報最常見的引用，是指到別份文件去。

但在年報裡搜「請參閱」，冒出來的東西比我預期的多。整理一下，這份 PDF 裡至少有四種引用：

最後一種剛剛做完了。今天先把第一種做起來，因為它在文件內部，可以驗證。

章節引用：從文件本身長出章節表

規劃書的目標是「語意理解不能只靠通用字典，要從文件本身建立」。章節引用是最直接的例子：「2.3.1」到底是哪一節、在哪一頁，只有這份年報自己知道。

做法是三步：先建印刷頁碼對 PDF 頁的對照，再從各頁掃出章節標題建成章節表，最後把每一個「請參閱」解析出來，檢查它指的章節是不是真的出現在它說的頁碼範圍內。

第一步就踩坑了。

年報寫「第22-29頁」，指的是印刷頁碼。這份 PDF 是對開的，一個 PDF 頁含兩個印刷頁。我以為換算很簡單，乘以 2 再加減個常數就好。

結果去看每頁開頭那兩個三位數的頁碼：PDF 第 5 頁是 008／009，第 13 頁是 022／023，第 44 頁是 086／087，第 61 頁是 118／119。套不出一個固定的公式，中間一定有些頁不是標準的對開。

所以不能用公式算，只能從每一頁的文字層讀出頁碼，一頁一頁建表。

import re

_PRINTED_RE = re.compile(r"^\s*(\d{3})\s*\n\s*(\d{3})\s*\n")
_HEADING_RE = re.compile(r"^(\d+(?:\.\d+){1,3})\s*([^\s（(，。]{2,20})", re.M)
_XREF_RE = re.compile(
    r"請(?:參閱|詳見)本(?:年報|報告)\s*「\s*(\d+(?:\.\d+){1,3})\s*([^」]*)」"
    r"(?:\s*說明)?\s*[（(]\s*第?\s*(\d+)\s*(?:[-－~]\s*(\d+))?\s*頁\s*[）)]")


def build_page_map(doc):
    """印刷頁碼 -> PDF 頁。每個 PDF 頁開頭有兩個三位數頁碼。"""
    pmap = {}
    for i, page in enumerate(doc):
        m = _PRINTED_RE.match(page.get_text())
        if m:
            for g in m.groups():
                pmap[int(g)] = i + 1
    return pmap


def build_section_table(doc):
    """章節編號 -> 所有出現位置 [(標題, PDF 頁), ...]"""
    table = {}
    for i, page in enumerate(doc):
        for m in _HEADING_RE.finditer(page.get_text()):
            table.setdefault(m.group(1), []).append((m.group(2), i + 1))
    return table


def resolve_xrefs(doc):
    pmap, sections = build_page_map(doc), build_section_table(doc)
    results = []
    for i, page in enumerate(doc):
        text = re.sub(r"\s*\n\s*", "", page.get_text())   # 引用常被斷行切開
        for m in _XREF_RE.finditer(text):
            num, title, p_from, p_to = m.groups()
            p_from, p_to = int(p_from), int(p_to or p_from)
            wanted = {pmap.get(p) for p in range(p_from, p_to + 1)} - {None}
            hit = next((h for h in sections.get(num, []) if h[1] in wanted), None)
            results.append({
                "from_pdf_page": i + 1, "section": num, "title": title.strip(),
                "printed_pages": (p_from, p_to), "resolved": hit,
                "status": "OK" if hit else "FLAG",
            })
    return results

這段我在 scratch 目錄裡對台積電年報跑過原型，結果沒有落檔進 experiments/，所以下面只講看到的現象，不列統計數字。

第一版的 build_section_table 用 setdefault 只記每個章節編號第一次出現的位置。跑下去冒出一堆 FLAG，我一筆一筆點開看，全部指向 PDF 第 4 頁。

第 4 頁是目錄。

目錄裡每個章節標題都有，而且是全書第一個出現的地方。所以「第一次出現」永遠是目錄那一頁，永遠不在引用說的頁碼範圍內。這個錯誤很好笑，但也很典型：從文件本身建對照表，文件本身就會用各種方式誤導你。

改成記錄所有出現位置，只要有一個落在引用的頁碼範圍內就算解析成功。FLAG 幾乎全部消失，只剩一筆：

「3.2 董事會—董事會多元化及獨立性」（第47頁）

「3.2 董事會」這個標題在印刷第 44 頁，引用寫的是第 47 頁。第 47 頁是 3.2 底下的小節「董事會多元化及獨立性」，那個小節沒有自己的編號。所以程式找不到 3.2 出現在第 47 頁，判成 FLAG。

這筆 FLAG 是錯殺，引用本身沒錯。但我決定不修。原因是另一個更麻煩的發現：章節編號在這份文件裡不是唯一的。掃出來的「3.2」除了董事會那一節，還有「3.2 一般董事及獨立董事之酬金（註一）」「3.2 品質與良率精進」這些。有的是表格編號，有的是其他章底下的小節。如果我為了消掉這一筆 FLAG 把比對放寬，例如只要標題文字有部分相同就算對，那些撞號的標題就會開始互相誤配。

寧可留一筆錯殺讓人看，也不要為了漂亮的數字把規則放鬆。

科目對照表：邏輯先寫好，等真的財報

回到附註跟主表。年報裡沒有完整財報，這一段沒辦法用台積電的真實資料跑。但對照表的建構邏輯可以先寫好，等拿到 MOPS 上的合併財報再接上。

邏輯跟章節引用是同一個套路，只是換了對象：

1. 從附註區塊掃出每一則附註的編號、標題、合計數，建成附註表。
2. 從主表逐列抽出「科目名稱＋附註編號＋金額」。
3. 每一列去查附註表：編號存不存在、標題跟科目名稱對不對得上、附註合計等不等於主表金額。

import re
from decimal import Decimal

_ROW_RE = re.compile(
    r"^(?P<account>[^\d\s（(]+?)\s*(?:附註)?\s*"
    r"(?P<note>[一二三四五六七八九十]+|\d+)\s+(?P<amount>\(?[\d,]+\)?)\s*$")
_NOTE_HEAD_RE = re.compile(r"^(?P<note>[一二三四五六七八九十]+|\d+)\s*[、.．]\s*(?P<title>\S+)", re.M)
_NOTE_TOTAL_RE = re.compile(r"(?:合計|淨額)\s+(?P<amount>\(?[\d,]+\)?)")


def to_decimal(s: str) -> Decimal:
    neg = s.startswith("(") and s.endswith(")")          # 財報慣用括號表示負數
    v = Decimal(s.strip("()").replace(",", ""))
    return -v if neg else v


def build_account_map(main_lines, notes_text):
    notes = {}
    heads = list(_NOTE_HEAD_RE.finditer(notes_text))
    for i, h in enumerate(heads):
        end = heads[i + 1].start() if i + 1 < len(heads) else len(notes_text)
        body = notes_text[h.end():end]
        totals = [to_decimal(m.group("amount")) for m in _NOTE_TOTAL_RE.finditer(body)]
        notes[h.group("note")] = {"title": h.group("title"),
                                  "total": totals[-1] if totals else None}

    rows = []
    for line in main_lines:
        m = _ROW_RE.match(line.strip())
        if not m:
            continue
        acc, note = m.group("account"), m.group("note")
        amt = to_decimal(m.group("amount"))
        n, flags = notes.get(note), []
        if n is None:
            flags.append(f"附註{note}不存在")
        else:
            if acc not in n["title"] and n["title"] not in acc:
                flags.append(f"科目「{acc}」與附註{note}標題「{n['title']}」對不上")
            if n["total"] is not None and n["total"] != amt:
                flags.append(f"主表 {amt} ≠ 附註合計 {n['total']}")
        rows.append({"account": acc, "note": note, "amount": amt, "flags": flags})
    return rows

我用一組自己編的合成資料測過邏輯。三個科目，其中「存貨」故意標成附註十二，但附註區塊裡只有附註十一：

{'account': '現金及約當現金', 'note': '六', 'amount': Decimal('1000000'), 'flags': []}
{'account': '應收帳款淨額', 'note': '十', 'amount': Decimal('350000'), 'flags': []}
{'account': '存貨', 'note': '十二', 'amount': Decimal('280000'), 'flags': ['附註十二不存在']}

再強調一次，這些數字全是合成的，只用來確認程式邏輯。這支程式還沒碰過任何一份真實的財報。

寫完之後我對它的信心其實不高。真實財報的主表是表格，不是一行一行乾淨的文字；附註編號可能寫成「附註六及二七」這種一對多；科目名稱在主表跟附註標題之間常常不完全一樣（主表寫「應收帳款淨額」，附註標題可能只寫「應收帳款」）。上面那個「互相包含就算對」的比對，是我能想到最保守、也最容易被打臉的版本。

所以這一段的定位是：流程先定下來，比對規則等真實資料來了再逐條修。跟章節引用那段一樣，寧可一開始 FLAG 多一點。

查證表

今天做完兩種引用，還有兩種沒做。註號引用我覺得不難，外部文件引用就麻煩了，它得先有辦法把 MOPS 上的那份文件拿進來。

另外我一直想到昨天的 M-01。字號、章節、附註，今天處理的都是「這個東西指到哪裡」。但就算每個引用都指對了，指過去的那個日期還是可能少一個「百」字。字讀對了、引用也對了，值本身合不合理，是另一層問題。明天處理這一層。