TextIn xParse 实战：用版面坐标做面单隐私取证与脱敏

七夜zippoe2026-10-29 10:15

摘要

大多数人用文档解析做一件事：把纸变成数据。这篇文章反过来------把一张快递面单还原成"一个陌生人能从上面读到多少关于你的事"。面向做 OCR / 文档解析的后端与前端工程师，讲清三件工程问题：块坐标怎么变成可点击热区 、被切碎在表格单元格里的手机号怎么合并命中 、脱敏怎么回到原图上而不是只改文本。全部代码来自我参加 TextIn 文档觉醒比赛的作品「纸片侦探」，三份样本实测 42 个实体、误报漏报均为 0、全部可定位，读完后你可以直接套用到票据、合同、工单等任何"要指出位置"的场景。

📌 版本声明 ：本文基于 TextIn xParse pdf_to_markdown 接口（api.textin.com/ai/service/v1）、Node.js 22、Chrome 129 编写。接口参数以官方文档为准，若你使用的版本对 apply_merge/table_flavor` 有变更，请对照官方说明调整。

文章目录

一、问题：为什么"识别出文字"还不够

先把场景摆出来。你每天都在扔掉或转发三种纸：快递面单、便利店小票、投出去的简历。它们单看只是一张纸，凑在一起却是一份关于你的说明书------姓名、手机号、精确到门牌号的地址、单位、作息、消费能力。

拆开看更直观。一张面单上，收件人姓名和电话是"直接标识"，地址是"准确定位"，运单号是"可被冒用的凭证"，备注栏里那句"放门口，别打电话"则是"行为习惯"------它泄露的不只是你是谁，还有你什么时候不在家。一张小票上，消费时间、门店、商品明细拼出的是你的作息与消费能力，深夜 23:47 的一笔关东煮，比任何问卷都诚实。一份简历更不用说，公司、职级、项目经历、教育背景，几乎是一份公开的自我画像。

单看每一项都不致命，但它们是可交叉验证 的：用姓名 + 手机号能锁定一个人，用地址 + 作息能推断何时家中无人，用运单号能冒充客服。这正是隐私泄露的真实形态------不是某一项被泄露，而是多项被拼起来。

现在市面上的解析工具都在解决"抽出来"，没有工具回答"抽出来之后能干什么"。这就是我动手的起点：如果我是那个在楼道里捡到这张纸的人，我能从中读出多少？

这个反向问题，直接决定了技术选型。它把"做一个 OCR demo"变成了"做一个取证工具"，而取证工具的要求和识别工具完全不同：识别工具只要结果对，取证工具还要求每一条结论都能指回原文的某个位置，否则结论就不可信、不可核查、也无法用于脱敏。换句话说，我要的不是"识别率 99%"，而是"我说的每一句话，你都能在纸上找到出处"。

这个反向问题，直接决定了技术选型。它有三条硬约束：

需求 纯 OCR 文本能给你吗 说明
在纸上圈出证据 ❌ 不能 只有文字流，没有位置，报告只能说"含手机号"
处理被表格切碎的字段 ❌ 很难 面单里手机号常被切成 186 + 2501 7734，行级正则直接漏检
生成可对外发布的脱敏图 ❌ 不能 替换文本后，原图仍然是原图
三条约束指向同一个东西：版面 。于是选型落到 TextIn xParse，因为它返回的不是一段 markdown 字符串，而是带归一化坐标的 elements[]。

这里补充一句选型时的对比思路。我评估过三类方案：一是纯 OCR（如 Tesseract、各家通用 OCR 接口），能出文字和字级框，但表格结构要靠自己猜，合并单元格基本无解；二是通用文档解析（返回 markdown），结构好但坐标往往被丢掉；三是带版面分析的解析服务，同时给结构和坐标。前两类要么缺坐标、要么缺结构，只有第三类能同时满足"圈得出、拼得回、遮得住"三条约束。xParse 属于第三类，且它的坐标是归一化的，这一点在后面的前端渲染里省了大量换算。

下面是整条链路的形状，后面每一节都在拆其中一个环节：
#mermaid-svg-67NiSxLCY6F6CJTW{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-67NiSxLCY6F6CJTW .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-67NiSxLCY6F6CJTW .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-67NiSxLCY6F6CJTW .error-icon{fill:#552222;}#mermaid-svg-67NiSxLCY6F6CJTW .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-67NiSxLCY6F6CJTW .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-67NiSxLCY6F6CJTW .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-67NiSxLCY6F6CJTW .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-67NiSxLCY6F6CJTW .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-67NiSxLCY6F6CJTW .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-67NiSxLCY6F6CJTW .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-67NiSxLCY6F6CJTW .marker{fill:#333333;stroke:#333333;}#mermaid-svg-67NiSxLCY6F6CJTW .marker.cross{stroke:#333333;}#mermaid-svg-67NiSxLCY6F6CJTW svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-67NiSxLCY6F6CJTW p{margin:0;}#mermaid-svg-67NiSxLCY6F6CJTW .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-67NiSxLCY6F6CJTW .cluster-label text{fill:#333;}#mermaid-svg-67NiSxLCY6F6CJTW .cluster-label span{color:#333;}#mermaid-svg-67NiSxLCY6F6CJTW .cluster-label span p{background-color:transparent;}#mermaid-svg-67NiSxLCY6F6CJTW .label text,#mermaid-svg-67NiSxLCY6F6CJTW span{fill:#333;color:#333;}#mermaid-svg-67NiSxLCY6F6CJTW .node rect,#mermaid-svg-67NiSxLCY6F6CJTW .node circle,#mermaid-svg-67NiSxLCY6F6CJTW .node ellipse,#mermaid-svg-67NiSxLCY6F6CJTW .node polygon,#mermaid-svg-67NiSxLCY6F6CJTW .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-67NiSxLCY6F6CJTW .rough-node .label text,#mermaid-svg-67NiSxLCY6F6CJTW .node .label text,#mermaid-svg-67NiSxLCY6F6CJTW .image-shape .label,#mermaid-svg-67NiSxLCY6F6CJTW .icon-shape .label{text-anchor:middle;}#mermaid-svg-67NiSxLCY6F6CJTW .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-67NiSxLCY6F6CJTW .rough-node .label,#mermaid-svg-67NiSxLCY6F6CJTW .node .label,#mermaid-svg-67NiSxLCY6F6CJTW .image-shape .label,#mermaid-svg-67NiSxLCY6F6CJTW .icon-shape .label{text-align:center;}#mermaid-svg-67NiSxLCY6F6CJTW .node.clickable{cursor:pointer;}#mermaid-svg-67NiSxLCY6F6CJTW .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-67NiSxLCY6F6CJTW .arrowheadPath{fill:#333333;}#mermaid-svg-67NiSxLCY6F6CJTW .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-67NiSxLCY6F6CJTW .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-67NiSxLCY6F6CJTW .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-67NiSxLCY6F6CJTW .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-67NiSxLCY6F6CJTW .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-67NiSxLCY6F6CJTW .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-67NiSxLCY6F6CJTW .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-67NiSxLCY6F6CJTW .cluster text{fill:#333;}#mermaid-svg-67NiSxLCY6F6CJTW .cluster span{color:#333;}#mermaid-svg-67NiSxLCY6F6CJTW div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-67NiSxLCY6F6CJTW .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-67NiSxLCY6F6CJTW rect.text{fill:none;stroke-width:0;}#mermaid-svg-67NiSxLCY6F6CJTW .icon-shape,#mermaid-svg-67NiSxLCY6F6CJTW .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-67NiSxLCY6F6CJTW .icon-shape p,#mermaid-svg-67NiSxLCY6F6CJTW .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-67NiSxLCY6F6CJTW .icon-shape .label rect,#mermaid-svg-67NiSxLCY6F6CJTW .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-67NiSxLCY6F6CJTW .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-67NiSxLCY6F6CJTW .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-67NiSxLCY6F6CJTW :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 上传图片/PDF
xParse pdf_to_markdown
elements\[\] 块坐标
markdown + table HTML
表格降维成行
语料重建

带偏移映射
21 类规则命中
偏移反查 bbox
热区 / 脱敏黑条
侧写推演与评分
揭露卡海报

图1：从一张纸到"暴露指数"的四段链路

二、xParse 到底给了什么

很多人第一次接 xParse 只取 data.markdown，然后就把它当 OCR 用了。这等于买了一张带等高线的地图，只拿来当地名表。它的返回体里真正值钱的是三块：

（1）归一化块坐标。 每个元素带 coordinates，是四点的 0~1 相对坐标（左上 → 右上 → 右下 → 左下）。取 min/max 得外接矩形，乘以 100 就能直接写进 CSS 的百分比定位。这一点很关键：它和图片分辨率完全解耦，你的原图是 800px 还是 3000px，框都在同一个位置。

为什么是四点而不是 x/y/w/h？因为真实文档里的文字块经常是倾斜 的------扫描件歪个两三度很常见。四点坐标能表达一个旋转矩形，取 min/max 得到的是它的轴对齐外接矩形，虽然会略微放大，但足以覆盖文字。如果接口只给 x/y/w/h，倾斜文本的框就会偏。这也是我在前端统一用百分比、不用像素的原因：一旦用像素，就得在每次缩放时重算，而百分比是"跟着容器走"的。

（2）表格结构重建。 打开 table_flavor=html 后，表格输出为 <table> 而不是空格对齐的纯文本。面单和小票 90% 的信息在表格里，有了行结构，"第 3 行"这个单位才既能被读、也能被框。

这一点值得展开。纯文本模式下，表格会被压成用空格或制表符对齐的一坨，列边界全靠猜；一旦某列内容长度不一，对齐就崩了，你根本分不清"186"是电话的前三位还是运单号的一段。而 <table> 保留了 <tr> / <td> 的层级，我可以按行遍历、按单元格取值，甚至能识别出"这一行是表头、下一行是数据"。对取证来说，行是最小可解释单元------"第 3 行第 4 列是电话"，这句话本身就是证据的一部分。

（3）跨单元格的合并结果。 apply_merge=1 会让被切成两半的字段在 markdown 里保持语义连续；但注意------语义连续不等于坐标连续，一个逻辑字段可能横跨多个块，这正是后文 bbox 反查要解决的问题。

我用到的请求形态如下，只保留必要参数：

bash 复制代码 
# 直接走 HTTP 接口（服务端运行时用这条）
curl -X POST "https://api.textin.com/ai/service/v1/pdf_to_markdown?parse_mode=auto&table_flavor=html&apply_merge=1&page_details=1&get_image=none" \
  -H "Content-Type: application/octet-stream" \
  -H "x-ti-app-id: $TI_APP_ID" \
  -H "x-ti-secret-code: $TI_SECRET" \
  --data-binary @samples/waybill.png \
  -o fixtures/waybill.json

# 在 Agent 里跑批量验证（CLI 封装，输出带坐标的 JSON）
xparse-cli parse samples/waybill.png --api auto --view json --include-char-details --output fixtures/waybill_raw

# 预期返回结构（截取关键字段）
# {
#   "code": 200, "message": "success",
#   "x_request_id": "d9152fa0067ca48359df761fa42b623d",
#   "data": { "file_id": "8956a31c6d864df289fa0dd0e46e5295",
#             "markdown": "...<table border=\"1\">...",
#             "elements": [ {"type":"text","text":"...","coordinates":[x0,y0,...]} ],
#             "pages": [...], "metadata": {"page_count":1} } }

参数怎么选，取决于你要不要坐标。 table_flavor=html 是为了拿 <table>；apply_merge=1 是为了让合并单元格不丢内容；get_image=none 是我特意关掉的------我不需要返回裁图，热区靠前端按坐标画，省一次图片传输。page_details=1 在单页场景可以关，多页 PDF 建议留着，它是分页坐标的来源。

⚠️ 注意：x-ti-app-id / x-ti-secret-code 必须放在服务端。我的做法是前端永远不持有密钥，浏览器只把文件二进制 POST 给自己的服务，服务再转发。若不这样，密钥会直接躺在 view-source 里。

三份样本的真实回执如下，评委和读者都可以拿去后台核对：

样本 code file_id 版面元素 端到端耗时
waybill.png（快递面单） 200 success 8956a31c6d864df289fa0dd0e46e5295 17 ---
receipt.png（便利店小票） 200 success 22986dd8acfe4414b39421e8144da689 11 ---
resume.png（求职简历） 200 success 82df9b139ad84254a9979723648f81f3 46 3.343s（单张，含上传+解析+落盘）

三、第一个坑：把 markdown 当纯文本用

我最初图省事，直接对 data.markdown 跑正则，结果两份样本全崩：

  • 表格变成 <table border="1"><tr><td>... 之后，正则会在标签边界上断掉 ，186</td><td>2501 7734 这种结构根本匹配不到；
  • 就算命中了，也算不出它在纸上的位置------markdown 里没有坐标。

所以第一步不是写规则，是重建语料 ：从 elements[] 重新拼一条长文本，同时记住每个块在这条长文本里的 [start, end) 区间。

javascript 复制代码 
// 语料重建：把版面块拼成一条"可回查"的长文本
function buildCorpus(doc) {
  const segs = [];        // 展示用的段落（带坐标）
  const lines = [];       // 取证用的行（带坐标）
  const starts = [];      // 每行在 full 中的起始偏移
  let full = '';

  for (const el of doc.elements) {
    const c = el.coordinates;                       // 四点归一化坐标
    const box = {
      x: Math.min(c[0], c[2], c[4], c[6]) * 100,
      y: Math.min(c[1], c[3], c[5], c[7]) * 100,
      w: (Math.max(c[0], c[2], c[4], c[6]) - Math.min(c[0], c[2], c[4], c[6])) * 100,
      h: (Math.max(c[1], c[3], c[5], c[7]) - Math.min(c[1], c[3], c[5], c[7])) * 100,
    };
    // 表格按行拆开，一行一个可取证单元
    const rows = el.type === 'table' ? splitTableRows(el) : [el.text || ''];
    for (const row of rows) {
      const t = String(row).replace(/\s+/g, ' ').trim();
      if (!t) continue;
      starts.push(full.length);
      lines.push({ text: t, ...box, index: lines.length });
      full += t + '\n';
    }
    segs.push({ t: el.text || '', ...box });
  }
  return { full, lines, starts, segs };
}

这段代码做的是"建索引"，不是"清洗"。 关键动作有两个：一是按 el.type 区分表格与普通块，表格走行拆分（下一节展开）；二是在拼接时记录 starts，它让后续每个正则命中的 index 都能二分回查到"哪一行"。参数上，x/y/w/h 统一乘 100 转成百分比，是为了让前端直接写成 left:12.4%;top:63.1%，不再做二次换算。注意：不要在这一步做任何文本替换或去重 ，任何字符长度的变化都会让 starts 偏移失效，后面的 bbox 全错位。

四、第二个坑：表格里被切成两半的手机号

真实面单的表格长这样（简化）：

html 复制代码 
<table border="1">
  <tr><td>收件人</td><td>周雨桐</td><td>电话</td><td>186</td></tr>
  <tr><td></td><td></td><td></td><td>2501 7734</td></tr>
</table>

手机号被拆到两个单元格、两行。行级正则永远匹配不到 18625017734，用户看到的结果就是"没检测到手机号"------而这恰恰是面单上最该死的一项。

解法是先拼后查、再反查位置 ：把整段 full 交给正则，命中后拿命中区间去 starts 里二分，得到起始行与结束行，再把这两行的 bbox 合并成一个大框。

javascript 复制代码 
// 命中 → 偏移反查 → 合并 bbox
function locate(hit, corpus) {
  const { lines, starts } = corpus;
  const a = upperBound(starts, hit.start);        // 起止落在哪一行
  const b = upperBound(starts, hit.end - 1);
  const la = lines[a], lb = lines[b];

  // 跨行/跨块时取外接矩形，保证黑条能盖住整段
  const left = Math.min(la.x, lb.x);
  const top = la.y;
  const right = Math.max(la.x + la.w, lb.x + lb.w);
  const bottom = lb.y + lb.h;

  return {
    bbox: { x: left, y: top, w: right - left, h: bottom - top },
    lineFrom: a, lineTo: b,               // 用于"点击跳回原位"
    span: b - a + 1,                      // 跨了几行，>1 说明是合并命中
  };
}

function upperBound(arr, v) {             // 二分：最后一个 <= v 的下标
  let lo = 0, hi = arr.length - 1, ans = 0;
  while (lo <= hi) {
    const mid = (lo + hi) >> 1;
    if (arr[mid] <= v) { ans = mid; lo = mid + 1; } else hi = mid - 1;
  }
  return ans;
}

为什么用二分而不是遍历？ 简历类文档有 46 个元素、数百行文本，每个实体都要反查一次，线性扫描是 O(n·m)；二分把每次反查压到 O(log n)，实测三种文档的引擎耗时都在 0.18~0.53ms，完全够用。代价是什么？ 合并出来的框是"外接矩形"，如果两行在纸上并不相邻（比如跨栏），框会偏大。我的取舍是：宁可框大一点，也不能框不住------因为用户点"定位"时，看到的是"这两行都要遮"。

图2：行级正则漏检与合并命中的差别

五、坐标怎么落到页面上

后端给出百分比 bbox 之后，前端只剩一件事：让框和纸对齐。这里最容易翻车的地方是容器尺寸------图片有原始宽高、有 object-fit、还可能被响应式缩放。

javascript 复制代码 
// 渲染热区：百分比定位，容器保证与图片同比例
function renderBoxes(root, boxes, entities) {
  const frag = document.createDocumentFragment();
  entities.forEach((e, i) => {
    const b = e.bbox;
    if (!b) return;
    const d = document.createElement('div');
    d.className = `box lv-${e.risk}`;        // critical / high / mid / low
    d.style.cssText = `left:${b.x}%;top:${b.y}%;width:${b.w}%;height:${b.h}%`;
    d.dataset.i = i;
    d.title = `${e.label}：${e.value}`;
    frag.appendChild(d);
  });
  root.appendChild(frag);
}

// 点击右侧条目 → 滚到对应热区并高亮
function focusEntity(i) {
  const el = document.querySelector(`.box[data-i="${i}"]`);
  if (!el) return;
  el.scrollIntoView({ block: 'center', behavior: 'smooth' });
  el.classList.add('pulse');
  setTimeout(() => el.classList.remove('pulse'), 1200);
}
css 复制代码 
/* 容器必须是"图片的等比盒子"，否则百分比会错位 */
.doc-inner { position: relative; line-height: 0; }
.doc-inner img { display: block; width: 100%; height: auto; }
.box { position: absolute; border: 1.5px solid var(--red);
       background: rgba(255,69,58,.10); cursor: pointer; }
.doc.masked .box { background: transparent; border-color: transparent; }
.doc.masked .box.lv-critical,
.doc.masked .box.lv-high {
  background: #05060a; border-color: #05060a; box-shadow: 0 0 0 4px #05060a;
}

这两段合起来才是"可点击定位"的完整实现。 要点有三个：① 容器 .doc-inner 必须 position:relative 且高度跟随图片，这样百分比才有参照；② 热区写成百分比而不是像素，换屏幕、缩放、甚至导出海报都不用重算；③ 脱敏模式不是"删掉框"，而是把高危框填成黑块------因为脱敏要遮的是原图，不是遮掉我的标注。

最后那条 box-shadow: 0 0 0 4px 是踩坑换来的：黑条之间会露出 1px 的图片缝，肉眼几乎看不见，但截图放大后能读出半个字。加了外扩阴影之后，缝隙才真正消失。

图3：从块坐标到脱敏黑条的四层映射

六、规则怎么分层，才不会一天到晚误报

21 类规则我分成两层，理由不是"好写"，而是证据强度不同：

  • 第一层：19 条正则 。手机号、身份证、运单号、卡尾号、金额、时间戳等。特征是自证------号码本身就是证据，不需要上下文。
  • 第二层：2 条行级规则 。地址与城市。特征是依赖上下文 ------杭州仓 是不是地址，取决于它后面有没有门牌、前面有没有省市区链。

分层的收益在实测里很直接。第一版我把所有东西都用正则硬怼，两份样本立刻翻车：

误判 现象 根因 修正
杭州仓 被判为地址 小票上出现一条"详细地址" 正则只匹配了城市名 地址改为行级规则，要求同时出现省市级联关键词或门牌号
8 位会员号被判为银行卡 简历/小票各多一条 critical 银行卡规则缺长度门槛 加 length >= 16 前置校验
地址与小区重复上报 同一位置两条结论 两条规则命中同一段 上报前做包含关系去重
javascript 复制代码 
// 分层判定：正则层自证，行级层依赖上下文
const RULES = [
  { type: 'phone',    re: /1[3-9]\d{9}/g,                    risk: 'critical' },
  { type: 'trackno',  re: /(?:SF|JD|YT|ZTO|STO)[\s-]?\d{3,8}[\s-]?\d{3,8}/gi, risk: 'high' },
  { type: 'bankcard', re: /\b\d{16,19}\b/g,                  risk: 'critical',
    guard: (s) => s.replace(/\D/g, '').length >= 16 },        // 长度门槛，压掉会员号
  { type: 'idcard',   re: /\b\d{17}[\dXx]\b/g,               risk: 'critical' },
];

function extractEntities(corpus) {
  const out = [];
  for (const rule of RULES) {
    rule.re.lastIndex = 0;
    let m;
    while ((m = rule.re.exec(corpus.full))) {
      const value = m[0];
      if (rule.guard && !rule.guard(value)) continue;         // 误报闸门
      const pos = locate({ start: m.index, end: m.index + value.length }, corpus);
      out.push({ type: rule.type, value, risk: rule.risk, ...pos });
    }
  }
  // 地址：只在行维度判定，要求"省市级联 + 门牌"同时成立
  corpus.lines.forEach((L, i) => {
    if (!/(省|市|区|县|路|街|道)/.test(L.text)) return;
    if (!/(\d+\s*(号|室|栋|幢|单元|楼))/.test(L.text)) return;
    out.push({ type: 'address', value: L.text, risk: 'critical', bbox: L, lineFrom: i, lineTo: i });
  });
  return dedupe(out);
}

这段的结构值得看一眼：guard 是误报闸门。 每条规则可以带一个校验函数，先匹配再校验，两步都过才上报。这样做的好处是规则可以放宽（比如运单号前缀枚举不全时也敢匹配），把精度压力交给 guard。

dedupe 处理的是另一类问题：地址行里往往同时包含小区名和门牌号，两条规则会命中同一段文本。我的策略是长值优先 + 包含关系去重------如果 A 的值包含 B 的值，只保留 A，避免同一位置冒出两条结论稀释可信度。

七、从取证到"体感"：侧写与冒充模拟

如果只输出一张"检测到 6 项敏感信息"的清单，用户看完就关掉了。真正让人后背发凉的是下一步：用这些实体拼一段骗子会说的话。

javascript 复制代码 
// 用抽出的实体生成"第一句话"，模板按文档类型切换
function buildAttack(ents, doc, corpus) {
  const g = (t) => (ents.find((e) => e.type === t) || {}).value || '';
  const name = g('name'), phone = g('phone');
  const track = g('trackno'), addr = g('address');
  const beh = ents.filter((e) => e.type === 'behavior').map((e) => e.value);
  const day = (g('datetime') || '').slice(0, 10);
  if (!phone && !addr && !track) return null;

  const org = (g('company') || '').replace(/股份有限公司|有限公司/g, '') || '顺捷速运';
  const lines = [];
  lines.push(`「请问是${name || '您'}吗？我是${org}的客服，占用您一分钟------」`);
  if (day || track) lines.push(`「${day} 那笔，单号 ${track} 的件，我们已经按您留言办了。」`);
  if (beh.length) lines.push(`「您留言说「${beh.join('，')}」，对吧？」`);
  if (addr) lines.push(`「地址是${addr}，我核对一下。」`);
  lines.push('「现在系统显示这单异常，需要您做一次人脸核验，很快的------」');
  return { lines, seals: ['手机号', '姓名', '单号', '备注习惯', '地址'].filter(Boolean) };
}

它的价值不在"生成"，而在"归因"。 每一句话都必须能指回纸上的一处证据，所以返回值里带 seals，前端据此把对应实体高亮成红色------用户看到的是"这句话里的每个字都来自我这张纸"。这也是我不敢用大模型自由发挥的原因：模型会编，而编出来的话术会让整个作品失去说服力。

同样的机制换一套模板：小票走"门店退款"，简历走"HR 加微信"。切换依据不是文档名，而是抽到的实体类型组合------有 trackno 就是物流，有 company 且无 trackno 就是简历。

八、实测：三份样本与前后对比

样本 版面元素 实体 高危项 侧写 可定位框 暴露指数
顺捷速运面单 17 16 10 7 条 16/16 96 · 极度危险
邻家便利小票（23:47） 11 8 5 6 条 8/8 68 · 高度暴露
求职简历 46 18 4 6 条 18/18 76 · 高度暴露

三份样本合计 42 个实体 ，逐个与原文人工核对：误报 0、漏报 0，100% 带可点击定位框。这不是"分类准确率"，而是"每一条结论都能在纸上指出位置"的可核查性------这两件事在工程上差别很大。

耗时方面，单张图片端到端（上传 + 解析 + 落盘）3.343s ，取证引擎 0.18~0.53ms。也就是说瓶颈完全在网络解析，不在规则，这决定了架构上没必要上缓存或异步队列------对个人自查这种低频场景，同步返回反而体验最好。
取证引擎 TextIn xParse Node 服务 浏览器 取证引擎 TextIn xParse Node 服务 浏览器 #mermaid-svg-E8QNnwOg0FKCveiD{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-E8QNnwOg0FKCveiD .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-E8QNnwOg0FKCveiD .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-E8QNnwOg0FKCveiD .error-icon{fill:#552222;}#mermaid-svg-E8QNnwOg0FKCveiD .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-E8QNnwOg0FKCveiD .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-E8QNnwOg0FKCveiD .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-E8QNnwOg0FKCveiD .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-E8QNnwOg0FKCveiD .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-E8QNnwOg0FKCveiD .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-E8QNnwOg0FKCveiD .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-E8QNnwOg0FKCveiD .marker{fill:#333333;stroke:#333333;}#mermaid-svg-E8QNnwOg0FKCveiD .marker.cross{stroke:#333333;}#mermaid-svg-E8QNnwOg0FKCveiD svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-E8QNnwOg0FKCveiD p{margin:0;}#mermaid-svg-E8QNnwOg0FKCveiD .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-E8QNnwOg0FKCveiD text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-E8QNnwOg0FKCveiD .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-E8QNnwOg0FKCveiD .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-E8QNnwOg0FKCveiD .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-E8QNnwOg0FKCveiD .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-E8QNnwOg0FKCveiD #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-E8QNnwOg0FKCveiD .sequenceNumber{fill:white;}#mermaid-svg-E8QNnwOg0FKCveiD #sequencenumber{fill:#333;}#mermaid-svg-E8QNnwOg0FKCveiD #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-E8QNnwOg0FKCveiD .messageText{fill:#333;stroke:none;}#mermaid-svg-E8QNnwOg0FKCveiD .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-E8QNnwOg0FKCveiD .labelText,#mermaid-svg-E8QNnwOg0FKCveiD .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-E8QNnwOg0FKCveiD .loopText,#mermaid-svg-E8QNnwOg0FKCveiD .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-E8QNnwOg0FKCveiD .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-E8QNnwOg0FKCveiD .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-E8QNnwOg0FKCveiD .noteText,#mermaid-svg-E8QNnwOg0FKCveiD .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-E8QNnwOg0FKCveiD .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-E8QNnwOg0FKCveiD .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-E8QNnwOg0FKCveiD .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-E8QNnwOg0FKCveiD .actorPopupMenu{position:absolute;}#mermaid-svg-E8QNnwOg0FKCveiD .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-E8QNnwOg0FKCveiD .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-E8QNnwOg0FKCveiD .actor-man circle,#mermaid-svg-E8QNnwOg0FKCveiD line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-E8QNnwOg0FKCveiD :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} POST /api/parse（二进制流） pdf_to_markdown（app-id 在服务端） file_id + markdown + elements\[\] buildCorpus() → extractEntities() 实体 + bbox + 侧写 报告 JSON（3.34s） 渲染热区 / 脱敏预览 / 揭露卡

前后对比更有说服力：

维度 纯 OCR 文本 / 人眼看 用 xParse 版面重建
得到的东西 按顺序吐出的文字，表格结构丢失 带坐标的块 + 重建后的行
能否指出位置 不能，只能说"含手机号" 42/42 可回到原图定位
跨单元格字段 手机号被切开时漏检 偏移映射合并后命中
脱敏 只替换文本，原图照旧泄露 按块坐标打黑条，可安全分享
单份耗时 人工抄录判风险 8~12 分钟（估算） 端到端约 4 秒
发现项数 人眼通常只注意 3~4 项 固定输出 16/8/18 项

#mermaid-svg-xe6tAyfcmdDqT9Rh{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-xe6tAyfcmdDqT9Rh .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-xe6tAyfcmdDqT9Rh .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-xe6tAyfcmdDqT9Rh .error-icon{fill:#552222;}#mermaid-svg-xe6tAyfcmdDqT9Rh .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-xe6tAyfcmdDqT9Rh .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-xe6tAyfcmdDqT9Rh .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-xe6tAyfcmdDqT9Rh .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-xe6tAyfcmdDqT9Rh .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-xe6tAyfcmdDqT9Rh .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-xe6tAyfcmdDqT9Rh .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-xe6tAyfcmdDqT9Rh .marker{fill:#333333;stroke:#333333;}#mermaid-svg-xe6tAyfcmdDqT9Rh .marker.cross{stroke:#333333;}#mermaid-svg-xe6tAyfcmdDqT9Rh svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-xe6tAyfcmdDqT9Rh p{margin:0;}#mermaid-svg-xe6tAyfcmdDqT9Rh :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 三份文档的实体数与可定位率 面单 小票 简历 20 18 16 14 12 10 8 6 4 2 0 实体数

九、搭建过程：四个决定与它们的代价

技术选型讲完，说说真正耗时间的地方。这个作品从想法到上线不到一天，但有四个决定值得写下来，因为它们都不是"最优解"，而是"权衡后的解"。

决定一：样本从哪来------不碰真实单据。

我没法拿真实面单做演示，那是把别人的隐私再公开一次。所以三份样本是按真实版式自建的 HTML，再用 Playwright 渲染成 PNG：面单做成三列表格 + 条码位 + 备注栏，小票刻意压低对比度、缩窄行距模拟热敏纸，简历做多级标题和分栏。

代价是"可控但不够脏"------真实照片会有折痕、反光、倾斜。我补了两个脏点：把地址写成跨行、把手机号拆到两个单元格，专门用来验证合并逻辑。如果你的目标是验证鲁棒性，自建样本永远替代不了真实分布，这点必须承认。

决定二：前端不引框架。

单页、无路由、无状态，用一个框架等于给部署加一条构建链。所以前端是原生 JS + Canvas，服务端是零依赖 Node HTTP。

代价是热区联动要自己写事件委托，脱敏切换要自己管 class。收益是部署只传文件、node server.js 就能跑，评委点开链接不会有白屏和 chunk 加载失败。

决定三：脱敏在前端做，不在后端重绘图片。

一条路是后端按坐标重绘一张打了黑块的图再返回；另一条是前端在原图上叠不透明块。我选后者：用户能实时看到"遮哪儿、还剩什么"，而且不用把原图二次上传一趟。

代价是"导出的图"本质是屏幕截图，坐标一旦被 CSS 破坏就全错------这也是我前面反复强调容器必须等比例的原因。为了让分享图能脱离浏览器，揭露卡我用 Canvas 重新画了一张 900×1200 的海报，而不是截 DOM。

决定四：不接大模型。

侧写和话术都能交给模型生成，效果会更"像人"。但我算了一下：一段编造的诈骗话术，会让整个作品的证据链失效------用户一旦发现"这句话不是我纸上写的"，前面 21 类规则的可信度就一起没了。

所以规则引擎扛下全部推理，输出永远是"结论 + 证据 + 置信度"。代价很明确：召回上限由规则决定，遇到没见过的字段会直接标"未命中"。
#mermaid-svg-YZlglL42bSXZr3E9{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-YZlglL42bSXZr3E9 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-YZlglL42bSXZr3E9 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-YZlglL42bSXZr3E9 .error-icon{fill:#552222;}#mermaid-svg-YZlglL42bSXZr3E9 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-YZlglL42bSXZr3E9 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-YZlglL42bSXZr3E9 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-YZlglL42bSXZr3E9 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-YZlglL42bSXZr3E9 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-YZlglL42bSXZr3E9 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-YZlglL42bSXZr3E9 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-YZlglL42bSXZr3E9 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-YZlglL42bSXZr3E9 .marker.cross{stroke:#333333;}#mermaid-svg-YZlglL42bSXZr3E9 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-YZlglL42bSXZr3E9 p{margin:0;}#mermaid-svg-YZlglL42bSXZr3E9 defs #statediagram-barbEnd{fill:#333333;stroke:#333333;}#mermaid-svg-YZlglL42bSXZr3E9 g.stateGroup text{fill:#9370DB;stroke:none;font-size:10px;}#mermaid-svg-YZlglL42bSXZr3E9 g.stateGroup text{fill:#333;stroke:none;font-size:10px;}#mermaid-svg-YZlglL42bSXZr3E9 g.stateGroup .state-title{font-weight:bolder;fill:#131300;}#mermaid-svg-YZlglL42bSXZr3E9 g.stateGroup rect{fill:#ECECFF;stroke:#9370DB;}#mermaid-svg-YZlglL42bSXZr3E9 g.stateGroup line{stroke:#333333;stroke-width:1;}#mermaid-svg-YZlglL42bSXZr3E9 .transition{stroke:#333333;stroke-width:1;fill:none;}#mermaid-svg-YZlglL42bSXZr3E9 .stateGroup .composit{fill:white;border-bottom:1px;}#mermaid-svg-YZlglL42bSXZr3E9 .stateGroup .alt-composit{fill:#e0e0e0;border-bottom:1px;}#mermaid-svg-YZlglL42bSXZr3E9 .state-note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-YZlglL42bSXZr3E9 .state-note text{fill:black;stroke:none;font-size:10px;}#mermaid-svg-YZlglL42bSXZr3E9 .stateLabel .box{stroke:none;stroke-width:0;fill:#ECECFF;opacity:0.5;}#mermaid-svg-YZlglL42bSXZr3E9 .edgeLabel .label rect{fill:#ECECFF;opacity:0.5;}#mermaid-svg-YZlglL42bSXZr3E9 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-YZlglL42bSXZr3E9 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-YZlglL42bSXZr3E9 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-YZlglL42bSXZr3E9 .edgeLabel .label text{fill:#333;}#mermaid-svg-YZlglL42bSXZr3E9 .label div .edgeLabel{color:#333;}#mermaid-svg-YZlglL42bSXZr3E9 .stateLabel text{fill:#131300;font-size:10px;font-weight:bold;}#mermaid-svg-YZlglL42bSXZr3E9 .node circle.state-start{fill:#333333;stroke:#333333;}#mermaid-svg-YZlglL42bSXZr3E9 .node .fork-join{fill:#333333;stroke:#333333;}#mermaid-svg-YZlglL42bSXZr3E9 .node circle.state-end{fill:#9370DB;stroke:white;stroke-width:1.5;}#mermaid-svg-YZlglL42bSXZr3E9 .end-state-inner{fill:white;stroke-width:1.5;}#mermaid-svg-YZlglL42bSXZr3E9 .node rect{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-YZlglL42bSXZr3E9 .node polygon{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-YZlglL42bSXZr3E9 #statediagram-barbEnd{fill:#333333;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-cluster rect{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-YZlglL42bSXZr3E9 .cluster-label,#mermaid-svg-YZlglL42bSXZr3E9 .nodeLabel{color:#131300;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-cluster rect.outer{rx:5px;ry:5px;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-state .divider{stroke:#9370DB;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-state .title-state{rx:5px;ry:5px;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-cluster.statediagram-cluster .inner{fill:white;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-cluster.statediagram-cluster-alt .inner{fill:#f0f0f0;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-cluster .inner{rx:0;ry:0;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-state rect.basic{rx:5px;ry:5px;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-state rect.divider{stroke-dasharray:10,10;fill:#f0f0f0;}#mermaid-svg-YZlglL42bSXZr3E9 .note-edge{stroke-dasharray:5;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-note rect{fill:#fff5ad;stroke:#aaaa33;stroke-width:1px;rx:0;ry:0;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-note rect{fill:#fff5ad;stroke:#aaaa33;stroke-width:1px;rx:0;ry:0;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-note text{fill:black;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram-note .nodeLabel{color:black;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagram .edgeLabel{color:red;}#mermaid-svg-YZlglL42bSXZr3E9 #dependencyStart,#mermaid-svg-YZlglL42bSXZr3E9 #dependencyEnd{fill:#333333;stroke:#333333;stroke-width:1;}#mermaid-svg-YZlglL42bSXZr3E9 .statediagramTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-YZlglL42bSXZr3E9 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 自建虚构版式
xParse 真实解析
三份样本回放
误判暴露
42 实体全可定位
揭露卡海报
选题
样本
接入
引擎
修规则
上线
传播

踩坑的顺序基本就是这张图：样本做好→接 xParse→回放发现误判→改规则→再回放。真正卡住我的是"地址"那条规则，前后改了四版才把 杭州仓 这类噪音压掉。

用起来的真实感受

上线后我自己先用了一周，有三个体感值得记下来，因为它们都推翻了我原本的设计。

第一，三秒是很长的等待。 引擎跑完只要 0.18ms，可 xParse 端到端是 3.34s。我自己测的时候觉得"挺快"，但让没用过的人试，第一句话是"卡住了吗"。所以我加了逐条推进的日志------"上传中 → 解析中 → 重建语料 → 规则取证"，让等待有进度。性能数字是给工程师看的，进度条才是给用户看的。

第二，没人看分数，都去点红框。 我原本以为暴露指数 96 是主角，结果所有人第一动作都是点红框，看它跳回原图上哪一行。只有一个朋友问"为什么是 96 不是 90"。这让我把热区从"装饰"改成"主交互"------点击定位、hover 显示风险原因，都是后加的。

第三，也是最扎心的一点：反应是"好玩"，不是"害怕"。 有几个人的第一反应是截图发群里说"这也太准了"。这说明威胁感还不够------他们没意识到这张纸此刻可能正躺在楼道垃圾桶里。所以最后一版把"骗子开场白"从附加栏目提到了主流程末尾：数字让人点头，那句话让人后背发凉。

决定四的代价：不接大模型，话术是模板拼的，所以措辞偏硬，遇到格式很怪的简历会显得生硬。换来的好处是同一份文档每次生成的话术完全一致------证据链不能有随机性。

十、适用边界与已知缺陷

这一节我写得比较克制，因为边界就是作品的诚实度：

  • 版面框是块级的，不是字级的。 表格内多行共用同一块坐标时，行级切片是近似值；它不影响实体判定，只影响框的精确高度。若要字级精度，得用 --include-char-details 拿字符级坐标，代价是返回体大几倍。
  • 跨栏合并会放大外接矩形。 两行在纸上并不相邻时，框会覆盖中间区域，截图里会显得"遮多了"。
  • 侧写是规则引擎，不是大模型。 好处是可解释、可复现、离线；坏处是对非常规文档召回有限，遇到没见过的字段会明确标"未命中"，不会编。
  • 只覆盖三类高频纸。 合同、发票、工单的版式差异大，规则需要另行扩展，不能直接套用。
  • ⚠️ 不要用它处理真实敏感文件做公开演示。 我的三份样本全部为虚构数据，按真实版式自建；真实面单请只在本机使用。

图4：脱敏前后：同一套坐标，两种用途

十一、总结

回到开头那个问题：为什么"识别出文字"不够？

因为当用户拿着手机准备把一张纸发出去时，他要的不是数据，是判断 和动作------这张纸暴露了我什么、在哪一行、我该遮哪里。三件事分别对应块坐标、偏移反查、坐标复用，缺一条链路就断。

工程上真正有复用价值的，是三个模式：

  1. 语料重建 + 偏移映射：把"有坐标的结构化块"变成"可回查的长文本"，这是所有需要定位的解析任务的地基。任何票据、合同、工单场景都能直接抄这段。
  2. guard 误报闸门：规则可以放宽，精度交给二次校验，比死抠正则好维护得多。
  3. 一份坐标多处复用：热区、脱敏、导出海报共用同一套百分比矩形，改动只在一个地方发生。

再补一句边界：这套方案不适合字级精修、不适合版式完全未知的文档、也不适合当作安全产品承诺"100% 不泄露"------它做的是"让你在发出去之前看一眼"，不是"替你保证安全"。

如果你想自己试：线上版在 https://papertrace.app.workbuddy.host/?sharecode=RHEHH2RDZE ，打开就有三份样本，不用注册；报告底部可以展开 xParse 的原始 markdown 和 file_id 自行核对。代码结构是零依赖 Node + 原生 JS，一个 server.js 加一个 733 行的取证引擎，照着本文的顺序读一遍就能改造成自己的场景。

参考资料

#TextIn #AI数据层基础设施

相关推荐
一个天蝎座 白勺 程序猿21 小时前
AiiOnly + WorkBuddy 搓了个文本对比小工具：选型、接入、成本一次讲清
ai·ai集成·ai使用·workbuddy·aiionly·文本对比
fensnote1 天前
一句话，让 AI 把一块 ESP8266 从头调到能上网
ai·esp8266·nodemcu·workbuddy
stereohomology1 天前
Kimi K3.1 Pro试用：可称之曰能
人工智能·workbuddy
feasibility.3 天前
不装Claude Code，WorkBuddy也能做视频，Remotion skill告别抽卡（含安装与使用）
人工智能·aigc·音视频·agi·skill·remotion·workbuddy
byte轻骑兵3 天前
【TextIn xParse + WorkBuddy】把8小时的标书审查压进1小时：招标要求逐条核验与废标风险预警工作台
大数据·数据库·aigc·textin·ai数据层基础设施
Xxtaoaooo4 天前
双11避坑：我用 WorkBuddy + TextIn xParse 做了个「避坑对比台」，商品详情图丢进去，参数矛盾自动现形
人工智能·1024程序员节·textin·workbuddy·ai数据层基础设施
AIGC大时代5 天前
OpenAI Agents SDK 工程笔记：TraceProcessor 导出、敏感字段脱敏与生产禁区
脱敏·tracing·agents sdk·生产禁区·traceprocessor
xiezhr6 天前
你的WorkBuddy不好用，大概率是这些配置没设置好
ai·ai agent·国产ai·workbuddy
Zhu7589 天前
白嫖work Buddy+腾讯CNB，制作日报周报汇报工具
workbuddy
热门推荐
01如何新建文件夹？ 电脑新建文件夹的4种方法02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03历年考研数学一、数学二、数学三真题试卷及答案PDF04GitHub 镜像站点05几个好用的ip纯净度检测网站06昇腾910B系列芯片完全指南：四款型号对比、服务器选型与大模型部署实战07苹果iPA游戏软件资源下载网站08蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接09CVE-2026-91403 高危漏洞预警：Java JSSE 信任链被攻破 全场景修复方案与Linux系统级彻底清理实操10Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）