AI 整理 OCR 正文时，怎样修复换行断词又保留真正的连字符

保守修复OCR断词时，先区分软连字符、行尾排版断词和真正的词内连字符；只把有明确依据的候选回填，其余保留原稿等待人工确认。不能删除所有横线，否则产品编号、数字范围与state-of-the-art这类词都会被改坏。

保留原始行号便于复核

附件原稿把international断成inter-与下一行national，另含ZX-204、10-20、state-of-the-art和一个软连字符。修复不是直接把全文替换成模型润色稿，而是先记录哪两行可能属于同一个词。每条候选CSV保留起止行号、合并候选和决定，人工能回到OCR来源核对。如果只有无坐标纯文本，段落关系不明确的行尾更应谨慎。

确定项与建议项分开

本例只把international放进允许自动合并的小词表。软连字符在此合成输入中代表排版提示，单独移除；词内连字符完整保留。re-与enter也会形成候选，但不在批准表里，所以保持跨行原样，状态为manual。词表不是语言真值，真实文件仍需根据原图、术语和上下文确认，不能把词典命中自动扩展为所有位置都应合并。

阅读前后稿而非只数替换次数

repaired.txt应出现完整的international、hyphen，同时保留ZX-204、10-20和state-of-the-art。候选表应显示一条merge与一条manual。修复次数越多并不代表质量越好；若合并跨过了段落、标题或列表边界，正文可能变得更难读。使用时可以先挑一页核对原图，再扩大到整份文件，并保存人工批准清单，防止下次换OCR引擎后无法解释修改来源。

编号与数字不自动拼接

边界命令使用行尾ZX-与下一行204，保留原状而不生成自动合并结果。大写缩写、负号、电话号码和编号往往需要不同规则，不能只靠正则看见横线就处理。本文脚本面向已经取得的文本，不执行OCR，也不声称提升某个识别模型的准确率。原文件永远单独留存；如果后续交给AI摘要，应同时保留页码或行号，让引用仍能回到未经修复的材料。

审批候选后，最好另存一张允许回填的决定表，记录原行、建议词与人工意见。若之后重新OCR，行号和断词位置可能改变，旧决定不能不加核对重新套用；可以再检查原行文本是否一致，发现变化就退回人工。

下载与复现

下载完整样例包，解压到一个新文件夹；也可查看全部文件清单和主脚本。使用Python 3.10或更新版本，在解压目录运行。此脚本只使用标准库，无需安装额外包。

python -B run.py
python -B run.py --negative

先查看主要结果，再修改输入重跑；已有输入会保留，结果写回同目录。边界命令可能故意非零退出，也可能输出明确的不适用状态，按正文说明判断，不把所有非零退出都当成安装故障。

依据与延伸阅读

资料核对日期为2026年10月24日。一手资料1：PDF文本提取可保存位置与块；断词修复需结合输入与明确规则，不宜删除全部横线。

继续阅读：双栏 PDF 被 Gemini 读串行，怎样核对原文阅读顺序；PDF 正文喂给 AI 总夹着页眉页脚，怎样生成可复核的干净阅读稿；AI 初稿里的引用编号一改就乱，怎样用稳定引用键生成参考文献表。