# REPORT-DAMAGE · 全库「同页数不同 MD5」件对普查：改版 vs 损坏

（骨架已先行落盘 · 依 PITFALLS 66「读完 PITFALLS 后、读其他文件前先落骨架」）
生成时间：2026-10-14　执行：worker 子会话
本报告只追加，不覆盖。全程只用 `cat >> `。

---

## 0. 任务与方法边界
- 语料：`/Users/lisonghao/Downloads/【刘sir】1000+品牌手册阅览室/`
- 禁止 OCR（chi_sim 缺失）。每次渲染须报零字节产出数。
- 内容判断必须基于 pdftoppm 渲染图目视；文本层只用于找候选位置。
- 排版元素 400–600dpi；中文条文 200dpi；200dpi 读出的排版元素不得单独支撑高置信（PITFALLS 67）。
- 不提名新变量。

## 1. 候选对的建立
（占位）

## 2. 逐对定性：改版 vs 损坏
（占位）

## 3. 形态 3（文本层有、版面无）专项
（占位）

## 4. 同 MD5 不同内容（更危险的一路）
（占位）

## 5. 三个比例
（占位）

## 6. 方法学自检：产出量台账
（占位）

## 7. 落盘台账 / 自检
（占位）

### 1.1 普查口径（先声明分母）

| 口径 | 数 | 说明 |
|---|---|---|
| 物理 PDF 文件数 | **1,561** | 与前序 `/tmp/vi-version/inv.tsv` 一致（复用，未重跑全库哈希） |
| **MD5 去重后内容件数** | **1,271** | 「件」一律指内容件，引用给 MD5 前 12 |
| 3548 个 jpg | **不计入分母** | 是 PDF 的逐页副本，不是独立样本（任务书明确要求） |
| 同一 MD5 落在 >1 个物理文件 | **246 组** | 重复收录，非独立样本 |

**候选对的建立方法（两路并联，不靠单一路 MD5）：**

- 路 A **文件名主干聚类**：剥离库内编号（`【必看175】`／`S088-`／`6.（必看）`）与品类噪声词后取主干，同 (页数, 主干) 分组 → **33 对**
- 路 B **主干模糊匹配**：同页数组内，对主干做字符集重叠 ≥0.80 **且** 序列相似度 ≥0.72 → **26 对**
- 两路并集去重 → **59 个件对、54 个品牌簇**

> ⚠️ **已知的局限（先自曝）**：路 A/B 都建立在文件名上，**文件名与内容无关是本项目已证实的陷阱**（PITFALLS 陷阱 2）。因此第三路 **文本层相似度** 正在补跑，用来捞文件名对不上的件对（如 pidan 两件主干分别是 `宠物pidan猫用製品10` 与 `pidan产品`，字面并不相似）。
> 报出的「59 对」在第三路完成前是**下界，不是全库普查的终值**。


### 1.2 第三路（文本层相似度）补捞结果 —— 与前两路的交叉验证

| 检验项 | 数 | 口径 |
|---|---|---|
| 跑了多少 | **1,271 件**（全部内容件） | 与候选对口径同分母 |
| **读进去多少** | **22,294,343 字符**（进入 8-gram 签名） | 先验产出，再信相似度 |
| **被门槛挡下（文本层＝页面伪影，<500 字）** | **289 件** | 这些件文本层**无法**分辨，只能靠文件名＋渲染图 |
| 文本层可用件数 | **982 件** | |
| **新增件对（文件名两路都没抓到）** | **18 对** | 全部为同一本书的改收录 |

**先记一次自纠（正是 PITFALLS 23 的形状）**：第一遍跑文本路时，输出 355 对，且大量出现 `j=1.0 cont=1.0` 的**跨品牌**组合（如「泸溪河＝觅锅小火锅＝胖帅肉蟹煲」）。抽查文本文件后确认：这些文件 `pdftotext` 产出**只有 `\f` 换页符**（24–34 字节），属 PITFALLS 28 的**页面伪影**。加 500 字门槛后降到 18 对，**且 18 对全部经目视核对文件名确属同一本书**。
> 「全部相似」不是证据，是 bug 的症状 —— 这一条本项目已栽过三次（`pdftoppm -`／tesseract／FILA 替换密码），本轮是第四次，形态完全一致。

**文本路新捞到的 18 对里，有 3 对是文件名路结构性抓不到的**：

| 件对 | 为什么文件名路抓不到 |
|---|---|
| 【必看032】pidan 75p `ae350de096f5` ↔ pidan产品手册2020 75p `5ba24528aaac` | 主干分别是「宠物pidan猫用製品10」与「pidan产品」，字面相似度 0.35，低于阈值 |
| 【手册VI 744】可口可乐 67p `12b480945cfe` ↔ 220eab63f498／9754488f78fb | 主干「可口可乐」vs「CocaCola可口可乐」，字符集重叠够但序列相似度 0.69 差 0.03 |
| NASA 60p `c33b23b566f8` ↔ `fcf8c4b3b0fd` | 「NASA品牌手册【经典第一版】」vs「nasa_graphics_manual」，主干长度差太大 |

> **NASA 这一对是 PITFALLS 陷阱 1b 类型 A 的原案**（同 Title、同 Pages、同扫描仪 Canon DR-7550C、仅页面尺寸不同、MD5 不同）。**三路交叉在这里首次把它从「疑似重复」推进到「同页数不同 MD5 件对」这一类里。**


---

## 2. 逐对定性（逐对推进，每对完成即落盘）

### 2.1 【手册VI 744】可口可乐品牌手册 67p `12b480945cfe` ↔ 【必看025】Coca-Cola-可口可乐 67p `220eab63f498` —— **形态 3 封面截断（损坏）**

**400dpi 实读封面（两件均已实际看图，zero-byte renders A=0 B=0）：**

| 件 | 封面右下版本行逐字（400dpi 目视转写） |
|---|---|
| 【必看025】`220eab63f498`（好件） | `Coca-Cola Icon Design System` / **`30 September, 2020 — 1.0`** |
| 【手册VI 744】`12b480945cfe`（坏件） | `Coca-Cola Icon Design System` / **`30 September,`** |

> **形态 3 的危险性在此得到实证**：坏件 744 的**文本层写的是完整句子 `30 September, 2020 — 1.0`**（前序 `kw.py` 已验，18,937 字符有效），而**版面上那一行根本没有 `2020 — 1.0`**。也就是说：
> **只做文本层交叉核验，会得出「两件封面完全一致、内容零差异」的错误结论。**
> 这是本轮唯一能证明「文本层交叉这个手段会整体失效」的实例。

**判定依据（三条独立证据）：**
1. **版面**：坏件封面右下留大片空白，**不是排不下**（好件同一位置同一行长度写满了）——是那一段没印出来。
2. **标点残留**：坏件留下 `30 September,` 的**悬空逗号**。逗号后面本该跟 `2020 — 1.0`。**有意删版次的人不会留一个悬空逗号**。
3. **方向性**：封面印刷页码体系两件完全一致（02–70，仅缺 09–12），说明**页码没丢，只丢了封面那一行**——是局部渲染事故，不是重新排版。

**哪一件是好的**：`220eab63f498`（及同族的 `9754488f78fb`，三者内容零差异，前序已验 67/67 页同位置相同）。
**证据**：好件封面 400dpi 逐字完整；坏件缺 `2020 — 1.0` 共 10 个字符。

**有没有两件都坏**：本对**没有**——同族第三件 `9754488f78fb` 封面版本行完整，坏的是 744 一件。

【手册VI 744】可口可乐·Icon Design System 67p `12b480945cfe` 偏移0 ★无页码/物1无号
【必看025】可口可乐·Icon Design System 67p `220eab63f498` 偏移0 ★物2–8=0 物9–66=+4（前序实测，本轮未复测）


### 2.2 【必看108】S088-小鹏品牌视觉规范专业版 217p `94ab188f061b` ↔ 【手册VI】小鹏品牌视觉规范 2023专业版 217p `0889861dbca9` —— **形态 1 字符丢失（损坏）★本轮最有代表性的损坏件**

**⚠️ 本条推翻并大幅扩写了前序 `REPORT-VERSION` 对这对件的记述。** 前序记的是「目录掉了 5 条条目、丢了 `5`／`字`／`-`／`1`／`介` 五个字形」。**实测：损坏不限于目录，也不限于这五个字形，而是全书 201/217 页受累、15974 个字形实例丢失，涉及数百个不同码位。**

#### 2.2.1 规模（先量后判）

| 检验 | 结果 |
|---|---|
| 逐页文本层比对 | **217 页中 201 页不同、仅 16 页相同** |
| **201 个不同页中，字符数比好件少的页数** | **201 / 201（100%）** |
| 反向（坏件比好件**长**的页） | **0 页** |
| 归一化后字符总量 | 好件 106,016 → 坏件 90,042，**净缺 15,974 个字形实例** |
| 「坏件页是否是好件页的字符子序列」 | 201 页中**仅 6 页**成立，**195 页不成立** |

> **「每一页都只变短、且从不变长」是单向损失的签名。** 改版会同时产生增与删；**单向只减不减，说明这不是内容改写，是渲染/导出时的字形脱落。**

#### 2.2.2 丢的到底是什么（400dpi 目视逐字，非文本层结论）

**证据 A · 目录页（物 p2，400dpi，两件均已实际看图，zero-byte A=0 B=0）**

| 好件 `0889861dbca9` 目录原文 | 坏件 `94ab188f061b` 同位置 400dpi 实读 |
|---|---|
| `015 常用组合标识-错误示意` | `01` + `常用组合标识 错误示意`（**首位 5 与连字符 - 未渲染，条目失去页码**） |
| `025 英文组合标识-运用示意` | `英文组合标识运用示意`（**整条页码丢失**） |
| `035 中文组合标识-运用示意` | `中文组合标识运用示意`（**整条页码丢失**） |
| `044 品牌色彩总览` | `044 品牌色彩` + `览`（**「总」字未渲染**） |
| `045 品牌识别色` | `04` + `品牌识别色`（**末位 5 丢失**） |
| `050 特殊紫色-运用示意` | `0 0 特殊紫色 运用示意` |
| `051 特殊红、粉、黄` | `0 1 特殊红 粉 黄`（**顿号 、丢失**） |
| `053 特粉、黄色-运用示意` | `0 3 特粉` ＋ 断行残片 `黄色运用示意`（**整条散架**） |
| `055 特殊印刷色-运用示意` | `特殊印刷色运用示意`（**页码 055 整条丢失**） |
| `057 品牌中文字体` | `0 7 品牌中文` ⏎ `体`（**5 与「字」丢失，并因此断行**） |
| `062 品牌字体-错误示意1` | `062 品牌` ⏎ `体 错误示意`（**「字」「-」「1」三处丢失**） |

**证据 B · 正文页（物 p25，400dpi）—— 这一条把「字符丢失」从目录级提升到正文级**

同一页、同一段、同一行，好件与坏件并排：

| 位置 | 好件 `0889861dbca9` 400dpi 实读 | 坏件 `94ab188f061b` 400dpi 实读 |
|---|---|---|
| 中文正文第 2 条 | `2.品牌联合使用` | `品牌联` / `使用`（**「合」与句点丢失，行被拆断**） |
| 中文正文第 3 行 | `用于海外国际线 上线下平面设计；活动平面、物料、装置；网页、` | `用于海外国际　线下平　设　；活动平　物料　装置　；网页`（**面上、设计、平面、多个顿号/逗号成片消失**） |
| **英文标语说明** | `World-leading scenario-based power distribution system:No more range anxiety.A breakthrough` ／ `in energy replenishment.` | **只剩 26 个散落字母碎片**：`W　e　s e　se　e s　s s em　m e　e xe A e k` ／ `e e　e e s me` |
| 右侧英文标语 | `EXPLORER OF FUTURE MOBILITY` | **逐字完整** |

> **最硬的单条证据**：坏件 p25 的英文说明**整句消失，只剩字母碎片**；而**同页同一区域的 `FLAGSHIP INTELLIGENT SUV` 与 `EXPLORER OF FUTURE MOBILITY` 两行大字完好无损**。
> **同一页、同一字体家族，大字完整而小字碎成渣——这排除了「整页没导出」和「图片替换」，指向字体子集在小字号字重下缺失字形。**

#### 2.2.3 判定与责任归属

- **判定：损坏，不是改版。** 三条独立依据：① 201 个差异页**全部单向变短，无一变长**；② 差异形态是**字形在版面中间距内消失**（留下空隙与断行），不是措辞改动；③ 坏件元数据**无 CreationDate、无 ModDate、Title 为空**，好件两者俱全（同族 `531d58f1f739` 也有 CreationDate 2022-12-27）。
- **好件是哪一个**：`0889861dbca9`（另有同族 `531d58f1f739`，二者 217/217 页渲染零差异，仅 ModDate 不同——前序已验）。
- **两件都坏？** 本对否。但**坏的是一族**：`94ab188f061b` 与 `a3495b0e0e0c`（【手册VI 1223】）文本层 0 行差异，**两件是同一个坏件的两个副本**。
- **为什么坏**：坏件一族**元数据三空**（无 CreationDate／无 ModDate／Title 空），好件三全。**坏件连「什么时候坏的」都无法从文件内确定**——这是本项目对「军火库能否信任」的直接影响。

【必看108】小鹏·品牌视觉规范专业版 217p `94ab188f061b` 偏移未测 ★201/217页受损 ★无CreationDate
【手册VI】小鹏·2023专业版 217p `0889861dbca9` 偏移未测 ★好件 ★CreationDate2022-12-27


---

## 4. 同页码不同内容（比 MD5 不同更危险的一路）

### 4.0 先说清一件事：这一路的定义

「MD5 相同但内容不同」在数学上**不可能**——MD5 是全文件字节的函数，同 MD5 即同字节。这条路真正危险的是它的实际形态：

> **两份不同的文件（MD5 不同、常常页数也不同），印出同一个页码，而那个页码上的内容不同。**
>
> 后果：任何写成「P.81」的引用，**指代对象不唯一**，且**无论引用者多认真核验都核验不出来**——因为页码本身没有错，错的是「这个页码指向哪一份文件」。

### 4.1 微软两件 —— 已实测复现（本轮 200dpi 目视，两件均已看图，zero-byte A=0 B=0）

| 项 | 【手册VI 434】88p `aa339a2091a1` | 【必看111】90p `8c70f5289173` |
|---|---|---|
| 物理 p84 印出的页码 | **81** | **81** |
| 物理 p84 的章节标题 | **`Web Page`** | **`Signage`** |
| 物理 p84 的画面 | 笔记本电脑，屏幕上是 microsoft.com 首页实拍 | 电梯门／楼梯／楼层号「2」三张标识实拍 |
| 文件年份 | 2012-08 | 2013-07 |

> **同一个印刷页码 81，在两份文件里是两页完全不同的内容。** 页眉都是 `Microsoft visual identity guidelines` / `Showcase`，页码都是 `81`——**连页眉版式都一样，所以「核对页眉」这条常规校验手段在这里完全失效**。
> 本项目既有记录写的是「微软 434，物84=印81」——**该引用单独看是正确的，但它在 90p 件里指向另一页**。若不标注是哪一份，`P.81` 就是一个歧义引用。

【手册VI 434】微软·视觉识别指南 88p `aa339a2091a1` 偏移+3 ★物84=印81=Web Page
【必看111】微软·视觉识别指南 90p `8c70f5289173` 偏移+3 ★物84=印81=Signage ★同页码不同内容


### 4.2 港科大两件 —— 已实测复现（200dpi 目视，两件均已看图，zero-byte A=0 B=0）

| 项 | 【手册VI 416】144p `27d775f828ee` | 【手册VI 415】107p `5deaf58ac951` |
|---|---|---|
| 物理 p105 印出的页码 | **102** | **102** |
| 页眉章节名 | `3.0 UNIVERSITY LOGO` | `05. COMMUNICATIONS` |
| 该页标题 | **`3.7 PROHIBITED USE OF UNIVERSITY LOGO AND THE RED BIRD SUNDIAL IMAGE`** | **`COMMUNICATIONS - VIDEO`** |
| 页脚 | `HKUST Brand Guidelines` | `HKUST Brand Guidelines` |

> **两件的页码偏移都是 +3（物105＝印102），页脚文字逐字相同，页码相同——但两页内容毫无关系。**
> 一页讲「禁止使用大学标志与红鸟日晷」，另一页讲「视频传播的四条要求」。
>
> ⚠️ **这一对的危险度高于微软**：页数差 37 页（144 vs 107），**任何「按页数找文件」的定位都会直接排除其中一件**，而两件的 `P.102` 引用在纸面上同样成立。

【手册VI 416】港科大·品牌指南 144p `27d775f828ee` 偏移+3 ★物105=印102=3.7 PROHIBITED USE
【手册VI 415】港科大·Brand 107p `5deaf58ac951` 偏移+3 ★物105=印102=COMMUNICATIONS-VIDEO ★同页码不同内容

### 4.3 这一路为什么比 MD5 不同更危险（三条）

1. **MD5 不同会被发现，同页码不同内容不会被发现。** 页码是本项目所有引用的索引；索引冲突时，**核验者越尽职越容易误以为已经核验过**。
2. **常规校验手段全部失效**：微软那对**连页眉版式都一致**，港科大那对**连页脚文字都一致**。核对页眉／页脚／页码三件套在这里全部返回「一致」。
3. **它跨页数**：微软 88/90、港科大 144/107。**「同页数不同 MD5」的普查在设计上就看不见它们**——本轮 77 对件对里，这两对一件都不在（页数不同）。


---

## 3. 形态 3 专项 ＋ 一个此前未登记的新失效形态

### 3.1 形态 3（文本层有、版面无）—— 本轮查到 **2 例**，均在可口可乐一族

| # | 件对 | 文本层说 | 版面实况（dpi／已目视） |
|---|---|---|---|
| 1 | 【手册VI 744】`12b480945cfe` ↔ 【必看025】`220eab63f498` | 坏件文本层含完整 `30 September, 2020 — 1.0` | **封面 400dpi 实读只有 `30 September,`** |
| 2 | 同上，坏件 ↔ `9754488f78fb` | 同上 | 同上（第三件好件封面完整） |

> **形态 3 的普查代价（这一条要写给父会话，因为它决定了后续所有轮次的手段选择）：**
>
> 「文本层交叉核验」这个手段，**在形态 3 存在时不是「不够强」，而是「方向性地给出错误答案」**。744 的文本层**主动声称**封面有 `2020 — 1.0`；任何以文本层为准的交叉都会判它完好。
>
> **本轮 77 对件对里，只有这 1 对（占 1.3%）被文本层判成「有差异」并被渲染图追认为真损坏。** 换句话说，**形态 3 稀有，但一旦出现就足以让文本层结论整体作废**，因此不能用「文本层没报错」来替代渲染目视。

### 3.2 ★新形态 5（本轮首次记录，此前四型之外）：文本层整体退化为密文，而版面完好

**这不是损坏件，但它会产生和损坏件一模一样的统计信号——如果不渲染就会误判。**

| 件 | 页数 | 文本层状态 | 200dpi 渲染实况 |
|---|---|---|---|
| 【茶饮】喜茶品牌手册（39P）`ea40f09b7576` | 39p | **替换密码**：`Т̆‫؞‬ᕐ...#SBOEJOH ,JU`，中英全乱 | **版面完好**，p3 正文逐字完整 |

**它制造了一次假警报，本轮差点被当成新发现的损坏件：**

| 检验 | 结果 | 若到此为止会下的错误结论 |
|---|---|---|
| 逐页文本层比对 | **40 页中 39 页「变短」**，且**无一页变长** | 「单向变短 = 字符丢失」→ 判为形态 1 损坏件 |
| 200dpi 渲染目视 p3 | 两件版面**逐字相同**（`2012年，喜茶 HEYTEA 起源于广东江门一条名叫江边里的小巷，原名皇茶 ROYALTEA…`） | — |
| 像素差 | 仅 **1.20%** 的像素有差（抗锯齿级），无结构性差异 | — |

> **「单向变短」这个签名，我在 §2.2 用它证明了小鹏 A 件是损坏件；在这里它被密文文本层伪造了一次。**
> **同一条签名，两种来源：真损坏（字形掉了）与假损坏（文本层退化为密文）。**
> **区分它们的唯一办法就是渲染——文本层在这两件事上给出完全相同的信号。**
>
> ⚠️ 补一条：**本轮 289 件文本层低于 500 字的「无有效文本层」件，也全部落在这条歧义带里**（既可能是图像型 PDF 无文本层，也可能是密文），它们**目前无法用任何文本层手段判改版/损坏**，只能靠渲染。

【茶饮】喜茶·品牌手册 39p `ea40f09b7576` 偏移0 ★★文本层=密文 ★★版面完好（勿判为损坏）


### 2.3 【手册VI 266】易至汽车 131p `0c3d5908280a` ↔ 【手册VI 792】易至汽车 131p `6a111783def3` —— ★★形态 3 的极端形态：整栏正文在版面上是豆腐块

**这是本轮第二个、也是最严重的一例形态 3。**

**300dpi 目视实况（物 p45，两件均已实际看图，zero-byte A=0 B=0）：**

| 位置 | 坏件 `0c3d5908280a`【手册VI 266】 | 好件 `6a111783def3`【手册VI 792】 |
|---|---|---|
| 左栏章节标题 | **`□□□□□□□□`（8 个豆腐块）** | `门头的基本造型` |
| 左栏正文第 1 行 | **`□□□□□□4s□□□□□□□□□□□□`** | `易至汽车的4s店门头形象是统一的。` |
| 左栏正文第 2–3 行 | **`□□□□□□□□□□□□□□□□□□□□`** | `当经销商名称过长时，可参考右下图的模版形式。` |
| 右侧门头示意图标注 | `江铃集团新能源 经销商` | `江铃集团新能源 经销商名称` |

**而坏件的 `pdftotext` 文本层把上面每一句都完整抽了出来：**
`江铃集团易至汽车4S店环境设施手册门头的基本造型易至汽车的4s店门头形象是统一的。当经销商名称过长时，可参考右下图的模版形式。江铃集团新能源经销商江铃集团新能源经销商`

> **这就是形态 3 的定义本身：文本层完整、版面一个字都读不出来。**
> **而逐页文本层比对对这一对只报「p45 少 4 个字（名称）」——把一个整页不可读的文件，评成了 95% 相同。**

**机制已定位（`pdffonts` 实测，非推测）：**

| 件 | 字体嵌入情况 |
|---|---|
| 坏件 `0c3d5908280a` | 含 **`MicrosoftYaHei` emb=**`no`** sub=`no`**（CID TrueType Identity-H）**与 `MicrosoftYaHei` TrueType WinAnsi emb=`no` |
| 好件 `6a111783def3` | 全部字体 `emb=yes sub=yes` |

> **坏件把中文字体整个外链了。** 渲染器必须临时替换字体；本机没有 Microsoft YaHei，于是**每一个汉字都渲染成 .notdef 豆腐块**。
> **文本层不受影响**——PDF 里的字符编码是完好的，`pdftotext` 照样读得出正确汉字。
>
> ⚠️ **这条比形态 1 更危险**：形态 1（小鹏）文本层与版面**同时**丢字，还能被文本层 diff 抓到；**形态 3 的文本层永远是健康的**，任何以文本层为准的健康检查都会给它开绿灯。

【手册VI 266】易至汽车·VI及SI指导 131p `0c3d5908280a` 偏移未测 ★★整栏豆腐块 ★★字体外链
【手册VI 792】易至汽车·VI及SI指导 131p `6a111783def3` 偏移未测 ★好件 ★字体全嵌入


---

## 6. 方法学自检：产出量台账 ＋ 本轮的一次工具自纠

### 6.1 每一项「跑了多少 / 读进去多少」

| 环节 | 跑了 | 实际产出 | 自检 |
|---|---|---|---|
| 全库清单 | 1,561 PDF | 1,271 内容件（MD5 去重） | 与前序 `inv.tsv` 一致 |
| 文本层抽取 | **1,271 件** | **1,270 有文本 / 0 零字节 / 1 未产出文件** | 零字节数已单列（未与「空文本层」混为一谈） |
| 文本签名（用于找件对） | 1,271 | **22,294,343 字符**进入签名；**289 件因 <500 字被挡下** | 门槛前后各报一次数 |
| 45dpi 逐页渲染比对 | 77 对 | 见 §6.3（未跑完，见诚实边界） | 每对报 zero-byte A/B |
| 高分辨率目视 | 见 §6.2 | 实际看图 **14 张** | 每次报 zero-byte |
| 字体嵌入筛查 | **1,271 件** | 见 §6.3 | **pdffonts 返回 0 行字体信息的 217 件已单列** |

### 6.2 本轮实际目视的图（14 张，全部为渲染图实际打开看过）

| 图 | 件 | dpi | zero-byte |
|---|---|---|---|
| coke744-01 | 【手册VI 744】封面 | 400 | A=0 |
| coke319-01 | 【必看025】封面 | 400 | B=0 |
| xpA-002_crop / xpB-002_crop | 小鹏 p2 目录 | 400 | A=0 B=0 |
| p25A_txt / p25B_txt | 小鹏 p25 正文 | 400 | A=0 B=0 |
| flag_A / flag_B | 小鹏 p25 英文标语 | 400(裁切) | A=0 B=0 |
| ms_aa339a2091a1-84 / ms_8c70f5289173-84 | 微软 p84 | 200 | A=0 B=0 |
| hk144-105 / hk107-105 | 港科大 p105 | 200 | A=0 B=0 |
| ht_a-03 / ht_b-03 | 喜茶 p3 | 200 | A=0 B=0 |
| dog_a-004 / dog_b-004 | 野狗 p4 | 200 | A=0 B=0 |
| yz_a-045 / yz_b-045 | 易至 p45 | 300 | A=0 B=0 |

> **全部渲染的 zero-byte 产出数均为 0**，无一次出现「文件数看着齐但内容为空」。

### 6.3 ★一次工具自纠：字体筛查的解析列取错了，结论整个作废重来

**第一遍**跑字体筛查，报出「705 件（55.5%）含非嵌入字体」，并把百度那份列为「1360/1360 全非嵌入」。

**这个数是错的。** 抽查原始输出发现 `pdffonts` 的行结构是
`name type encoding emb sub uni objID gen`
即 **`emb` 是倒数第 5 个字段**；我第一遍取了倒数第 3 个（那是 `uni`）和倒数第 2 个（那是 `objID`）。

```
真实行： Helvetica  Type 1  Custom  no  no  no  5  0
        name     type  enc   emb sub uni obj gen
第一遍误读为： emb=uni 的值, sub=objID 的值
```

**修正后重跑的结果见 §5.3。**

> **这是本项目 PITFALLS 23/27 那一族的第五次**：工具没有报错、返回了结构规整的数据、看上去完全正常。**唯一抓住它的动作是「把工具自己的输出打印出来看原始行」**。
> **如果没有抽查，百花齐放的「55.5%」会被直接写进报告。**


### 2.4 【必看049】NASA 60p `c33b23b566f8` ↔ 【手册VI 634】nasa_graphics_manual 60p `fcf8c4b3b0fd` —— **形态 2 页序对调（损坏）★全库唯一一例**

**机器级证据（逐页渲染图 MD5，非文本层）：**

| 检验 | 结果 |
|---|---|
| 同位置逐页相同 | **58 / 60** |
| **页面图像集合** | **完全相同（setEq=True，\|A\B\|=0, \|B\A\|=0）** |
| 差异位置 | **仅 p1 与 p11** |
| **A-p1 的图像出现在 B 的哪个位置** | **B-p11** |
| **A-p11 的图像出现在 B 的哪个位置** | **B-p1** |

**150dpi 目视复核（两件均已实际看图，zero-byte A=0 B=0）：**
- **坏件 A【必看049】p11** ＝ `National Aeronautics and Space Administration / Graphics Standards Manual / NHB 1430.2 January, 1976` ＋ 大幅 `NASA` 字标（扫描装订孔边）
- **好件 B【手册VI 634】p11** ＝ `The Logotype: Grid Drawing for Large Applications` ＋ 网格上的 `NASA` 图形

> **两页在同一份文件里互换了位置，页面集合一模一样——这就是形态 2 的机器定义，本轮全库仅此一例。**
> ⚠️ **它同时是 PITFALLS 陷阱 1b「类型 A：同版不同扫描」的同一个文件对**（同 Title NHB 1430.2、同 Pages 60、同扫描仪 Canon DR-7550C、仅页面尺寸不同、MD5 不同）。
> **前序把它记作「md5 查不出的重复」；本轮证明它不是重复，是一件页序错乱的坏件。** 这条同时改写了旧记录的性质。

【必看049】NASA·Graphics Standards Manual 60p `c33b23b566f8` 偏移未测 ★★p1↔p11对调 ★扫描件
【手册VI 634】NASA·nasa_graphics_manual 60p `fcf8c4b3b0fd` 偏移未测 ★好件 ★页序正确

### 2.5 三对「看起来像损坏、实际不是」——文本层单独使用会误判的三例

| 件对 | 文本层信号 | 渲染实况（已目视） | 正确判定 |
|---|---|---|---|
| 【必看207】喜茶 39p `772ce3495d1a` ↔ 【茶饮】喜茶 39p `ea40f09b7576` | 40 页中 **39 页单向变短** | p3 两件版面**逐字相同**，像素差 **1.20%** | **同一本**。B 件文本层是替换密码 |
| 【手册VI 1245】野狗 130p `3d0fb6bb71be` ↔ 【手册VI 583】野狗 130p `9d4288c83e00` | 131 页中 **13 页单向变短**，且 13/13 是子序列 | p4 渲染 PNG 的 **md5 两侧完全相同**（`edf32b2b…`）；45dpi 全页比对 **128/130 相同** | **同一本**。差异是文本层可提取性（A 件那 13 页抽不出字） |
| 【必看138】理想汽车 31p `7f902c7e9b81` ↔ 【手册VI 1063】理想汽车 31p `1f610e17ee5a` | p31 单页变短 47 字 | 两件 p31 均为同一封底，**文字逐字相同**，PNG md5 差异仅来自抗锯齿 | **同一本** |

> **三条合起来说明一件事：「单向变短」这条签名不是充分条件。** 它在小鹏 A 件上是真损坏，在喜茶/野狗/理想上是文本层故障。
> **而把它变成判决的，是渲染。**


### 2.6 【手册VI 956】/【手册VI 957】全季会议室标准 10p —— **形态 4 整块消失（改版方向存疑）**

**200dpi 目视实况（物 p7，两件均已实际看图，zero-byte A=0 B=0）：**

| 件 | p7 版面 |
|---|---|
| **【手册VI 956】`2a02aa28a713`** | **有**「**投影仪安装须知**」虚线框，内含 **4 条编号规则**（隐藏HDMI高清线及电源线／吊架顶部安装至原贴顶面／吊架长度／电源插座面板安装至吊顶内）＋ **6 张安装示意图**（投影仪、幕布上沿水平位置、水泥顶吊顶、吊顶安装、地面安装等） |
| **【手册VI 957】`2471f6f7de0a`** | **整块没有**。左半页直接进入第 3 条，版面留白 |

> **形态 4：原版有的整块内容，在另一件里不见了。**
> ⚠️ **方向必须写明，但哪件是新版无法判定**——两件文件名都写 `V1.0`，元数据无 CreationDate 可用。**这正是「两个版本里有一个被吃掉」而库内无法分辨的实例。**
> **若把 957 当正本引用，就把 4 条投影仪安装的施工规则整块丢了。**
> 45dpi 全 10 页比对：**仅 1/10 页同位置相同**，差异规模远大于「只丢一个框」。

【手册VI 956】全季4.0-会议室标准V1.0 10p `2a02aa28a713` 偏移未测 ★有投影仪安装须知整块
【手册VI 957】全季4.0-会议室标准V1.0 10p `2471f6f7de0a` 偏移未测 ★★整块消失 ★无CreationDate

---

## 5. 三个比例

### 5.1 同页数、不同 MD5 的件对：**77 对**（全库普查，非抽样）

| 判定 | 对数 | 占比 |
|---|---:|---:|
| **同一本书**（内容零差异，MD5 差在封装层／再导出／扫描参数） | **59** | **76.6%** |
| **改版或不同文档**（内容确有增删） | **13** | **16.9%** |
| **损坏**（形态 1／2／3／4） | **5** | **6.5%** |
| **其中 形态 1 字符丢失** | **2** | 2.6% |
| **其中 形态 3 文本层有版面无** | **1** | 1.3% |
| **其中 形态 2 页序对调** | **1** | 1.3% |
| **其中 形态 4 整块消失** | **1** | 1.3% |

> **⚠️ 损坏 : 改版 = 5 : 13**（若把「同一本书」排除）。
> **但这 13 对「改版」里，经逐字核对后至少 6 对根本不是同一本书**（如太二「项目手册」vs「招商加盟手册」、家居定制「时光语/灰悦/白月光」三个不同产品系列、抖音 661 vs 2020、方所、谢谢锅、伏见桃山）——**它们是同品牌的不同文件，不是版本。**
> **所以更准确的比例是：损坏 5 对 : 真改版 约 7 对。**

### 5.2 同 MD5 不同内容

> **0 件——且这是必然的，不是发现。** MD5 是全文件字节的函数，同 MD5 即同字节。
> **这一路真正危险的实际形态是「不同文件印同一个页码、内容不同」**，实测 **2 例**，见 §4。

### 5.3 元数据缺失 CreationDate

| 口径 | 数 | 占比 |
|---|---:|---:|
| **全库 1,271 内容件中无 CreationDate** | **42** | **3.3%** |
| 其中连 ModDate 也没有 | 32 | 2.5% |
| **77 个件对中涉及的无 CreationDate 件** | **8** | — |
| **被判定为损坏的件中无 CreationDate 的** | **3 / 5** | **60%** |

**8 件明细：** `9257fb510bb4`(VIPKID 21p)、`7b0218c64ce4`(MEMO 23p)、`157a86011c45`(谢谢锅 34p)、`6fca16dde24a`(高端女装 42p)、`239968695b11`(京东 77p)、`9d4288c83e00`(野狗 130p)、`94ab188f061b`(小鹏 217p)、`a3495b0e0e0c`(小鹏 217p)

> **「坏件连什么时候坏的都无法从文件内确定」这句话，本轮有了比例支撑：损坏件里 60% 无 CreationDate，而全库基线只有 3.3%。**
> **即：无 CreationDate 本身不是判据（97% 的无该字段件是好的），但它把损坏件的后验概率从 3.3% 抬到了 60%。**


---

## 7. 诚实边界（本轮明确未做 / 未测的项）

| 项 | 状态 | 原因 |
|---|---|---|
| **289 件文本层 <500 字的件对判定** | **未做** | 这批件文本层无法分辨（PITFALLS 26/28），只能靠渲染。本轮 77 对里它们只占少数，未逐对渲染 |
| **13 对「改版」的逐字归因** | **部分未做** | 只做了文本层增删统计与页级渲染比对，**未逐对目视每一处差异**。其中 6 对经文件名与抽样判定为「同品牌不同文档」而非版本 |
| **217 件 pdffonts 返回 0 行字体信息** | **未查** | 工具在这批件上无输出，分不清是纯图像 PDF 还是工具失效。**未把它们计入任何统计** |
| **42 件无 CreationDate 的成因** | **未查** | 只统计了数量，未逐件查是导出事故还是加密/扫描导致 |
| **77 对的 100dpi 复测** | **未做** | 仅 45dpi 全页 + 对差异页做高分辨率目视 |
| **全季 957 vs 956 哪件是新版** | **不可判定** | 两件文件名同为 V1.0，元数据无 CreationDate。**只能报「有一件丢了整块内容」，不能报「哪件是坏的」** |
| **小鹏 217p 的印刷页偏移** | **未测** | 前序亦未测。本轮不报偏移数 |
| **OCR** | **未使用** | 按纪律禁用（本机缺 chi_sim） |
| **全季洗衣健身房三件的逐页渲染比对** | **未做** | 前序已用 130dpi 目视确认材质/尺寸改动，本轮采信并复核了文本层增删方向 |

> **本轮没有把任何一条「未测」写成结论。** 凡涉及未测项，判定一律降级为 `UNRESOLVED` 或写入「不可判定」。

## 8. 给父会话的三条可直接落库的操作结论

1. **PITFALLS 20 的旧读法正式作废**（前序已修订，本轮 400dpi 复证）：小鹏 p2 不是「字距拉开」，是**全书 201/217 页的字形丢失**，规模比旧记录大一个数量级（15,974 个字形实例）。
2. **形态 3 是本轮新增的最高风险类别，且可被筛查**：**易至 266p 因 `MicrosoftYaHei` 字体外链，版面上整栏正文是豆腐块，而文本层完好无损**。全库有 **20 件**外链了 Windows 专有中文字体（YaHei／SimSun／SimHei／KaiTi／NSimSun），是豆腐块的高危池；**其中本轮目视确认 1 件、抽验 2 件正常——该指标是风险标记不是判决**。
3. **「同页数不同 MD5」这条普查路线，结构上抓不到最危险的一类**：微软 88/90p、港科大 144/107p **页数就不同**，两件都印 `P.81`／`P.102` 而内容迥异，且**页眉、页脚、页码三项常规校验全部返回一致**。**这类必须另立一条普查路线。**