# REPORT-TEXTFID — PDF 文本层对「排版元素」的转写保真度测量

- 任务：测量**已有判据**（文本层 vs 600dpi 目视）在排版元素上的表现。不提名新变量、新分类轴。
- 预读：`/tmp/vi-agents/PITFALLS.md` 全文，行数 **1316**（`wc -l` 与读到的末行一致）。
- 落盘纪律：只用 `cat >>`，每节完成即追加并 `wc -l` 核对递增。

## 0. 主结论一句话

（待填）

## 1. 方法与取样

（待填）

## 2. 按元素类拆开的零差异率表（7 类，每格带 n）

（待填）

## 3. 补字清单（逐条原文照抄，标注是否限定语）

（待填）

## 4. 对项目纪律的影响：文本层能不能用来定位排版元素候选

（待填）

## 5. 这份结论自己有什么洞

（待填）

## 6. 落盘与验证记录（渲染次数 / 零字节产出数 / fontcheck 结果）

（待填）

---

## 0-bis. 预读记录（纪律留痕）

| 文件 | `wc -l` | 读到末行 | 用途 |
|---|---:|---:|---|
| `/tmp/vi-agents/PITFALLS.md` | **1316** | **1316** ✅ 一致 | 全 87 条读完（分三块 1–340 / 341–680 / 681–1020 / 1021–1316） |
| `/tmp/vi-agents/REPORT-DPI200.md` | 836 | 836 | 广发条逐字 diff 写法（§2.2）与「文本层 vs 渲染」边界声明（§6/§7） |
| `/tmp/vi-agents/REPORT-FONTAUDIT.md` | 542 | 读 §5（328–377） | 7 条清单来源 |

**从 PITFALLS 里直接继承、且本轮会踩到的编号条目**：

- **63** 文本层统计先打印前 200 字符；百度VI 是符号密文，`\x01\x02○`
- **67** 200dpi 读出的排版元素即使读对也不得单独支撑高置信
- **21 / 25** 文本层可能是替换密码（斐乐 `0GýDJBM`＝`Official`）
- **28** `pdftotext` 非空 ≠ 有效（<50 字/页是伪影层）
- **69** 中粮 `Blod` 少字母 o —— **转录保留原样，不顺手改对**
- **72 / 76 / 75** 「参阅＝请+阅+参」；有些「错误」是伪造的；订正链自我继承
- **77** 断言「拼接/伪造」必须给坐标或渲染图
- **78 + 78修正** 豆腐块真判据是 **`CID`+`Identity-H`**，不是 `emb=no`；脚本报异常比例先验脚本
- **79** 「X 份里 Y 份」必须同句写清 X 怎么选出来的
- **80** 可打印率测不出它被设计来测的东西（替换密码的可打印率恒为 1.000）
- **83** 「空着的栏」会被模板稳定命中
- **PITFALLS 66** 骨架先行、只用 `>>`、每节 `wc -l` 核对

**与前序报告的接口**：REPORT-DPI200 §2.2 记「广发页脚」那条是**唯一实质错读**，
其 §1.4 同时给出**文本层独立第二证据线且与 600dpi 逐字一致**——
即在那一个案例上文本层是**对的**，而 200dpi 目视是**错的**。
本任务测的是相反方向的问题：**文本层自己什么时候会错**。

---

## 1. 方法与取样

### 1.1 样本来源：**硬未读池**（REPORT-ACCEPTANCE v4 口径的有效分母 109 份）

取自 `/tmp/vi-accept/italic_hard.json` 的 `eff_files`（**109 份**）。
该池由 REPORT-ACCEPTANCE 定义：v4「品牌 token 出现过即算已读」→ 已读 1,431 / 未读 **130**，
再剔除 9 份未抽取 + 4 份页面伪影（<50 字节/页）+ 8 份符号密文 → **有效分母 109**。

**本轮不重新推导这个口径**，直接沿用，以免与前序报告的分母打架（PITFALLS 79）。

### 1.2 筛选链（每一层都报数，分母可追）

| 层 | 判据 | 剩余 |
|---|---|---:|
| 硬未读有效池 | ACCEPTANCE v4 口径 | **109** |
| `pdffonts` 字体行数 > 0 | 排除纯图像件（PITFALLS：0 行＝无字体信息，不等于无内容） | **109**（0 份为 0 行） |
| `pdftotext` plain ≥50 字符/页 | PITFALLS 28「非空≠有效」 | **107** |
| **横版**（任一页 w > 1.05h） | 任务书「横版或含明显排版元素栏位」 | **85** |
| **MD5 去重** | PITFALLS 3/81：同一文件被收录多次，不能当多份证据 | **76** |
| **本轮取样** | 跨语言跨品类跨页数，覆盖 7 类元素可得性 | **30** |

**口径声明（PITFALLS 70）**：文本层计量一律为 **`pdftotext` plain 模式的字符数**（`len(str.strip())`），
不混用 `-layout` 与字节数。

### 1.3 fontcheck 门禁（渲染前必做）

30 份**逐份实跑** `/tmp/vi-agents/fontcheck.sh`，**退出码全部为 0**，
无一份命中 `CID`+`Identity-H` 真豆腐块判据。逐份明细：

| # | 件 | FONT_ROWS | NON_EMB | # | 件 | FONT_ROWS | NON_EMB |
|---|---|---:|---:|---|---|---:|---:|
| 1 | Budweiser-2021 | 16 | 0 | 16 | 韩束VIS系统 | 17 | 0 |
| 2 | alberta | 208 | 0 | 17 | browardcollege | 93 | 0 |
| 3 | FloSports | 41 | 0 | 18 | QQVIP | 19 | 0 |
| 4 | 3m_visual_guidelines | 11 | 0 | 19 | HK-guidelines | 161 | 1 |
| 5 | klarna | 263 | 0 | 20 | 闪咖 | 17 | 0 |
| 6 | Al-Rehal | 24 | 0 | 21 | Jetruby | 40 | 0 |
| 7 | OntarioTech | 259 | 0 | 22 | NintendoSwitch-EU | 24 | 0 |
| 8 | pioneers-athletics | 8 | 0 | 23 | SoM_brand_guidelines | 73 | 5 |
| 9 | 钉钉 | 24 | 0 | 24 | Sands | 53 | 0 |
| 10 | ADBOE | 145 | 0 | 25 | GT_BrandBible | 23 | 0 |
| 11 | Seagate | 30 | 0 | 26 | 猫途鹰Tripadvisor | 9 | 0 |
| 12 | Evernote | 45 | 0 | 27 | 拜耳VBB | 39 | 0 |
| 13 | Networks品牌VI手册 | 57 | 0 | 28 | bentley | 3 | 0 |
| 14 | Bellanova | 55 | 0 | 29 | Facebook-Brand-Assets | 33 | 0 |
| 15 | Now_Brandbook | 18 | 0 | 30 | AppleLogoStandards | 11 | 11 |

**AppleLogoStandards 11 行全部未嵌入但判 OK**——按 PITFALLS 78 的修正判据（形态而非 `emb`），
它们带标准 CMap/简单字体可回退；该件为纯图形件，**目视结果另记**。

### 1.4 每组比对的四步（按任务书，不增不减）

1. `pdftotext -f N -l N` 抽该页文本层，**先打印前 200 字符**（PITFALLS 63）
2. `pdftotext -bbox` 给该排版元素的逐字坐标，确认它在页面上的**物理位置**
   （页脚＝页底 %、章节标题＝字号代理、版权栏＝文本命中）
3. `pdftoppm -r 600 -f N -l N` 渲染该页并**按 bbox 裁切**该区域 → **目视**
4. 逐字 diff：文本层写法 vs 目视写法

**差异类型取值域**（固定 7 值）：`零差异` / `漏字` / `补字` / `换序` / `断行归一化后可对齐` / `不可比` / `未发现`。
**补字额外分类**：补出的是**限定语**（须／应当／必须／经／后／前）还是普通字。

**（本节填写于 60 组全部完成 600dpi 目视之后；填写前本行为空占位）**

30 份样本、60 组排版元素比对中，**文本层字词转写零差异 52/60（86.7%）**；
6 组差异**全部是「多出」或「断行」，没有一组是「漏字」或「换序」**——
即文本层可以定位排版元素候选位置并读出其字词，但**不能替代 600dpi 目视**：
抽到的 30 份全部有可用文本层（`pdffonts` 字体行 > 0，`pdftotext` plain ≥50 字符/页），
同时 30 份里有 **6 份出现「文本层多出页面上不存在的字」类问题**（详见 §3），
且 **7 类排版元素中有 3 类（法务小字／页眉／稿件标注）在 60 组里一组都没取到**（详见 §2 脚注）。

---

## 1-bis. 选点方法的修正（必须先读，否则 §2 的 n 不可信）

第一轮选点用「`y ≥ 90% 页高 → 页脚`」+ 正则命中，在 30 份里**大面积误命中正文与图注**。
60 组初选点名目：f03 `White Icon on black background.`（图注）、f03 `version (remake) of Uni Sans`（正文 y%=27.5）、
f08 `Y100`（色值）、f13 `disaster recovery, and rapid 74% cloud failover`（图表标注）、
f21 `255,86,29`（色值）、f24 `nications department.`（正文断句）、f27 `CMYK:82/30/65/76`（色值而非页脚）。

**改用跨页复现判据**重选：`y ≥ 88% 页高` 的行，按「数字归一 + 去标点」后的文本，
统计它在**本册多少个不同页**上重复出现；重复页数 ≥4 才算真页脚。
结果 30 份里 **24 份直接命中真页脚**，另外 6 份（f03/f05/f16/f23/f26 及个别弱候选）改取章节标题，
f07/f08/f12/f22 四份按坐标人工指定。

**这条修正本身是本报告最硬的工程结论之一**：
单靠 `y%` 定位排版元素会把正文和图注当候选；**加上「跨页复现」后误命中才被压下去**。

---

## 2. 按元素类拆开的零差异率表（7 类，每格带 n）

分母 = 该类实际取到的组数；「零差异」= 文本层字词与 600dpi 目视逐字相同。

| 元素类 | n | 零差异 | 零差异率 | 差异构成 |
|---|---:|---:|---:|---|
| 页脚 | 24 | 21 | **87.5%** | 补字×1（f07 p3）、断行归一化后可对齐×2（f10 p12、f22 p2） |
| 色卡标注 | 19 | 17 | **89.5%** | 补字×2（f19 p20、f20 p19） |
| 版权栏 | 7 | 6 | **85.7%** | 补字×1（f11 p46） |
| 章节标题 | 9 | 8 | **88.9%** | 补字×1（f03 p42） |
| 版本栏 | 1 | 0 | 0% | 补字×1（f22 p2）— **n<5，样本不足，不引用** |
| 法务小字 | **未发现** | — | — | 60 组中 0 组 |
| 页眉 | **未发现** | — | — | 60 组中 0 组（f26 p26 顶部 `Tripadvisor 26` 属页眉，但本轮未取为计数样本） |
| 稿件标注 | **未发现** | — | — | 60 组中 0 组 |
| **合计** | **60** | **52** | **86.7%** | 补字×6、断行归一化后可对齐×2、漏字×0、换序×0、不可比×0、未发现×0 |

**分母纪律说明**

- `版本栏` 只有 1 组，0/1 的比率**不作为结论引用**，只登记事实（f22 p2 `VERSION` 补空格）。
- `法务小字`/`页眉`/`稿件标注` 三类是**「未发现」，不是「零」**：分母不成立，不写 0%。
- `漏字` 与 `换序` 两类的「零」经过反向检索，见 §6。

**反向检索（宣布不存在之前必须做）**

1. **漏字反向**：把 60 组每个排版元素的全部词元（≥2 字符）回灌到该页 `pdftotext` plain 里定位，
   **57/60 全部命中**。3 处未命中已逐个定位为非漏字：
   - f10 p12 `10AdobeCorporateBrandGuidelines` —— plain 把页码 `10` 单独成行、页脚串另起一行，
     `-bbox` 的物理行与页面完全一致 → 判 `断行归一化后可对齐`；
   - f14 p17 `pantone2766C` —— 页面写作 `PANTONE 2766C`，plain 中 `2766C` 与 `PANTONE` 分处两行；
   - f18 p24 `PantonePantone` —— 这是**本报告行归组工具**把同一行两处 `Pantone` 合并、
     并吞掉中间汉字「属」造成的，属测量工具产物，非文本层失真（页面实为 `（*Pantone属Pantone公司所有。）`）。
2. **补字反向**：30 份整册 plain 全文扫 `U+200B/U+200C/U+200D/U+FEFF/U+2060/U+202F/U+00A0/U+3000/U+2009/U+2007/U+2011`
   与控制字符，命中见 §3；扫「字内单字母空格」正则命中 20 处，逐条判定后**只有 1 处落在本轮 60 组内**（f03）。
   搜索结果并非空白——反例存在，已如实计入。

**逐组明细（60 组全量）**

| 组 | 文件 | 类 | 页 | 文本层（plain 原文） | 差异类型 |
|---|---|---|---|---|---|
| f01E1 | Budweiser | 页脚 | 113 | `All imagery is for placement` | 零差异 |
| f01E2 | Budweiser | 色卡标注 | 68 | `HEX: #FFFFFF` | 零差异 |
| f02E1 | alberta | 页脚 | 2 | `Government of Alberta \| Visual Identity Manual \| Edition 25 \| APRIL 2023` | 零差异 |
| f02E2 | alberta | 版权栏 | 20 | `Copyright Free License` | 零差异 |
| f03E1 | FloSports | 章节标题 | 4 | `Logo Guideline` | 零差异 |
| f03E2 | FloSports | 章节标题 | 42 | `F O WRESTLING` | **补字（普通字）** |
| f04E1 | 3m | 页脚 | 1 | `March 12, 2015` | 零差异 |
| f04E2 | 3m | 色卡标注 | 21 | `registered trademark of Pantone, Inc.` | 零差异 |
| f05E1 | Klarna | 章节标题 | 3 | `Introduction` | 零差异 |
| f05E2 | Klarna | 色卡标注 | 50 | `CMYK: 42 \| 22 \| 5 \| 0` | 零差异 |
| f06E1 | Al-Rehal | 页脚 | 1 | `AZ Tech Solutions` | 零差异 |
| f06E2 | Al-Rehal | 色卡标注 | 34 | `PANTONE` | 零差异 |
| f07E1 | OntarioTech | 页脚 | 3 | `28\t\x07SIGNATURE IDENTITIES` | **补字（普通字·控制字符）** |
| f07E2 | OntarioTech | 版权栏 | 57 | `© University of Ontario Institute of Technology 2019. ONTARIO TECH UNIVERSITY` | 零差异 |
| f08E1 | pioneers-athletics | 章节标题 | 2 | `Brand Overview` | 零差异 |
| f08E2 | pioneers-athletics | 色卡标注 | 32 | `Pantone` | 零差异 |
| f09E1 | 钉钉 | 页脚 | 4 | `DINGTALK VISUAL IDENTITY SYSTEM` | 零差异 |
| f09E2 | 钉钉 | 色卡标注 | 51 | `PANTONE Basic Colors` | 零差异 |
| f10E1 | ADBOE | 页脚 | 12 | `10` + 换行 + `Adobe Corporate Brand Guidelines \| Adobe Confidential \| 25 October 2010` | **断行归一化后可对齐** |
| f10E2 | ADBOE | 版权栏 | 53 | `For more information on copyright` | 零差异 |
| f11E1 | Seagate | 页脚 | 10 | `10` | 零差异 |
| f11E2 | Seagate | 版权栏 | 46 | `Do not infringe copyright` | **补字（普通字·U+200B）** |
| f12E1 | Evernote | 页脚 | 2 | `evernote brand guidelines - 2023` | 零差异 |
| f12E2 | Evernote | 色卡标注 | 22 | `PANTONE Cool Gray 8` | 零差异 |
| f13E1 | Networks | 页脚 | 2 | `A10 Networks / Brand Guidelines` | 零差异 |
| f13E2 | Networks | 版权栏 | 54 | `©2022 A10 Networks, Inc. All rights reserved.` | 零差异 |
| f14E1 | Bellanova | 页脚 | 42 | `www.bellanova.com` | 零差异 |
| f14E2 | Bellanova | 色卡标注 | 17 | `pantone2766C` | 零差异 ※大小写失真 |
| f15E1 | Now | 页脚 | 39 | `7.00 Applications` | 零差异 |
| f15E2 | Now | 色卡标注 | 20 | `PANTONE 2413 C` | 零差异 |
| f16E1 | 韩束 | 章节标题 | 28 | `会议迎宾牌` | 零差异 |
| f16E2 | 韩束 | 章节标题 | 13 | `美白科技专利由韩束独家研发` | 零差异 |
| f17E1 | broward | 页脚 | 4 | `BROWARD COLLEGE BRAND GUIDELINES` | 零差异 |
| f17E2 | broward | 色卡标注 | 37 | `HEX #A9DEED` | 零差异 |
| f18E1 | QQVIP | 页脚 | 33 | `7.00 Applications` | 零差异 |
| f18E2 | QQVIP | 色卡标注 | 24 | `Pantone公司所有 。)` | 零差异 ※行归组吞字 |
| f19E1 | HK-guidelines | 页脚 | 1 | `二ＯＯ三年二月` | 零差异 |
| f19E2 | HK-guidelines | 色卡标注 | 20 | `請使用真正的 PANTONE ® 色版，勿以本圖` | **补字（普通字·空格）** |
| f20E1 | 闪咖 | 页脚 | 8 | `2.00 Logo` | 零差异 |
| f20E2 | 闪咖 | 色卡标注 | 19 | `Pantone公司所有 。)` | **补字（普通字·空格）** |
| f21E1 | Jetruby | 页脚 | 2 | `02` | 零差异 |
| f21E2 | Jetruby | 色卡标注 | 31 | `CMYK` | 零差异 |
| f22E1 | Nintendo | 页脚 | 2 | `0\n2`（页面为竖排旋转 `02`） | **断行归一化后可对齐** |
| f22E2 | Nintendo | 版本栏 | 2 | `VE RS I O N` | **补字（普通字·空格×4）** |
| f23E1 | SoM | 章节标题 | 13 | `Application on backgrounds` | 零差异 |
| f23E2 | SoM | 色卡标注 | 14 | `The primary colour is Pantone` | 零差异 |
| f24E1 | Sands | 页脚 | 10 | `10` | 零差异 |
| f24E2 | Sands | 色卡标注 | 13 | `Pantone Cool Gray 2` | 零差异 |
| f25E1 | GT | 页脚 | 7 | `13` | 零差异 |
| f25E2 | GT | 色卡标注 | 9 | `Pantone 109C is the official color of` | 零差异 |
| f26E1 | 猫途鹰 | 章节标题 | 26 | `Ratings & Reviews: Dos` | 零差异 |
| f26E2 | 猫途鹰 | 色卡标注 | 21 | `HEX #004F32` | 零差异 ※页面用带斜杠零 Ø 渲染 |
| f27E1 | 拜耳 | 页脚 | 6 | `Approved for External Use: Vegetables by Bayer Brand Guidelines // July 2021 11` | 零差异 |
| f27E2 | 拜耳 | 色卡标注 | 18 | `CMYK: 82/30/65/76` | 零差异 |
| f28E1 | bentley | 页脚 | 6 | `10` | 零差异 |
| f28E2 | bentley | 版权栏 | 31 | `© BENTLEY MOTORS LIMITED` | 零差异 |
| f29E1 | Facebook | 页脚 | 2 | `Facebook Inc. - All rights reserved.` | 零差异 |
| f29E2 | Facebook | 版权栏 | 25 | `- Copyrighted content` | 零差异 |
| f30E1 | Apple | 页脚 | 2 | `See Logo/Staging` | 零差异 |
| f30E2 | Apple | 章节标题 | 12 | `Color Variations` | 零差异 |

**※三条必须随表一起读的备注**（不改变 7 值判定，但会在下游造成误判）：

- **f14E2 大小写失真**：文本层给 `pantone2766C`，页面实际渲染 `PANTONE 2766C`（全大写变体）。
  字词序列完全相同，故计 `零差异`；但**凡是要按大小写做检索或替换的流程都会在这里失手**。
- **f18E2 行归组吞字**：本报告的 bbox 行归组把同一行两处 `Pantone` 合并、吞掉中间汉字「属」。
  这是**测量工具的产物**，不是文本层缺陷——`plain` 给的 `Pantone公司所有 。)` 与页面一致。
  反向提醒：bbox 的**词边界不可信**，**单字边界可信**，行归组只用于定位。
- **f26E2 渲染变体**：页面用带斜杠的零 `Ø` 渲染 `004F32`，文本层给数字 `0`。
  这一例里**文本层比渲染更「正确」**，属字体字形变体，不是转写失真。

**⚠ 一条不计入 60 组、但必须单列的发现（f10 p56）**

ADBOE p56 的 bbox 在页面 94–99% 区域给出 L42/L49 `simulations using Adobe Captivate® software.`
与 L50 `t%FTJHO DPNQFMMJOH DPOUFOUOP TQFDJBMJ[FE QSPHSBNNJOH TLJMMT SFRVJSFE`（疑似整体移位一格的替换密码）。
600dpi 实拍该区域（`F10v_bot_s0/s1.png`，y=540–610pt）**只看得见真正的页脚 L45
`54  Adobe Corporate Brand Guidelines | Adobe Confidential | 25 October 2010`**，
右栏正文与其下所有行**在页面上不可见**。

因此：**`y%` 落在页脚带，不等于该 token 会被印出来**。
本报告首轮选点正是把 f10 p56 的 L49 当成了页脚并差点计入。
这解释了为什么 `y%` 单判据必须配「跨页复现」，且**仍需目视确认**。

---

## 3. 补字清单（逐条原文照抄，标注是否限定语）

判为 `补字` 的共 **6 组 / 60**。**补出的字符逐条核对后全部是空白或控制类，没有一条是限定语。**

| # | 组 | 页 | 文本层原文（照抄，`repr`） | 页面上实际写法（600dpi 目视） | 补出的字符 | 是否限定语 |
|---|---|---|---|---|---|---|
| 1 | f03E2 | 42 | `'F O WRESTLING'` | `FLOWRESTLING`（全大写斜体，无空格） | 半角空格 ×1（`F` 与 `O` 之间） | **否（普通字）** |
| 2 | f07E1 | 3 | `'28\t\x07SIGNATURE IDENTITIES'` | `28   SIGNATURE IDENTITIES` | 制表符 `\t`(0x09) ×1、BEL `\x07`(0x07) ×1 | **否（普通字）** |
| 3 | f11E2 | 46 | `'Do not infringe copyright'` | `Do not infringe copyright` | U+200B 零宽空格 ×1 | **否（普通字）** |
| 4 | f19E2 | 20 | `'請使用真正的 PANTONE ® 色版，勿以本圖'` | `請使用真正的 PANTONE® 色版，勿以本圖` | 半角空格 ×1（`PANTONE` 与 `®` 之间） | **否（普通字）** |
| 5 | f20E2 | 19 | `'Pantone公司所有 。)'` | `Pantone公司所有。）` | 半角空格 ×1（`所有` 与 `。` 之间） | **否（普通字）** |
| 6 | f22E2 | 2 | `'VE RS I O N'` | `VERSION` | 半角空格 ×4 | **否（普通字）** |

**限定语补字：未发现（不是「零」）**

- 正向：上表 6 条补字补出的字符逐条核对，无一条属于 `须／应当／必须／经／后／前`。
- 反向：60 组所在页的文本层里确实检出了限定语——f09 p4 `经`×1、f15 p39 `须`×3、f15 p20 `须`×2、
  f16 p13 `须`×1 与 `必须`×1、f18 p24 `须`×2、f20 p19 `须`×2，**共 5 份 10 处**。
  但逐行坐标核对后，**这 10 处全部落在 y%=26–41% 的正文条文里**，不在本轮计数的 60 个排版元素上
  （例如 f20 p19 被计的元素是 L52 `Pantone公司所有。）`@y%=49.4，而 `须` 在 L30/L37@y%=35.4/39.2）。
  **这些正文条文按任务纪律本就不入分母**，故限定语补字在本轮口径下写「未发现」。
- 含义：**若下游流程要把限定语当硬约束使用（如「须/必须」的合规检查），
  本轮没有拿到任何证据表明文本层会凭空造出限定语**——但也**没有证据表明它不会**，
  因为分母里没有一组限定语密集的排版元素。这个洞记在 §5。

**补字在全池的分布（反向检索的补充证据）**

| 形态 | 命中 | 判定 |
|---|---|---|
| U+200B 零宽空格 | 仅 f11 Seagate 1 份，**33 处** | 是文件级系统性问题，不是偶发 |
| U+00A0 不换行空格 | 仅 f14 Bellanova，1 处 | 偶发 |
| BEL `\x07` 控制字符 | f07 557、f04 31、f27 11、f23 10、f17 2 | 文件级系统性 |
| SOH `\x01` 控制字符 | 仅 f10 ADBOE，7 处 | 文件级系统性 |
| FF `\x0c` 换页符 | 30 份全部命中（1,781 处） | 分页符，非失真，不计 |
| 字内单字母空格（`V E R` 式） | 20 处命中，其中 17 处是**字体样张/字标**（`A B C D E F`、`C L I N I C`、`F O L D E R`、`E D U C`） | 良性，不计 |
| 字内单字母空格（可疑） | f03 `R E S T L I N G`（本轮 f03E2）、f10 `C O M M U N I C A T I O N S` / `T H O R I Z E D` / `E D I N S T` 等 | f03 已计入；f10 的这些位于不可见隐藏文本区（见 §2 末尾） |

**关键工程含义**：这 6 条补字**全部不改变字词序列**。
也就是说，文本层可以放心用来做**字词级检索与定位**；
但**不能直接拿文本层做逐字节串比对、精确替换、或正则锚定**——
`VERSION` 在 plain 里是 `VE RS I O N`，`FLOWRESTLING` 是 `F O WRESTLING`。

---

## 4. 对项目纪律的影响：文本层能不能用来定位排版元素候选

**条件式回答：能，但只在下面三条同时成立时成立；任一条不成立就必须退回 600dpi。**

| # | 条件 | 本轮证据 | 强度 |
|---|---|---|---|
| 1 | 该 PDF 有可用文本层（`pdffonts` 字体行 > 0 且 `pdftotext` plain ≥50 字符/页） | 30/30 份满足；`fontcheck` 退出码全 0，无 `CID`+`Identity-H` 豆腐块 | **强**，可作前置门禁 |
| 2 | 定位用「跨页复现」，不是只用 `y%` | 只用 `y%≥90%` 时 60 组里至少 7 组误命中正文/图注（`White Icon on black background.`、`version (remake) of Uni Sans`、`Y100`、`255,86,29`、`nications department.`、`CMYK:82/30/65/76`、`disaster recovery, and rapid 74% cloud failover`）；改用「`y%≥88%` + 同文本在 ≥4 个不同页复现」后 24/30 份直接命中真页脚 | **强**，可直接成为流水线规则 |
| 3 | 候选文字只用于**定位与字词级检索**，结论仍由 600dpi 目视出 | 60 组零差异 52（86.7%）；6 组补字全部是空白/控制字符，字词序列不变 | **中**：字词可信，字节不可信 |

**三条必须写进纪律的反例**

1. **`y%` 落在页脚带 ≠ 会被印出来。** f10 ADBOE p56 的 bbox 在 y%=97.2% 给出
   `simulations using Adobe Captivate® software.`，600dpi 实拍该位置**没有任何字**；
   同页真正的页脚在 y%=93.6%（L45）。**纯位置判据会把不可见的隐藏文本当成页脚候选。**
   这条只有目视能拦，「跨页复现」也拦不住（隐藏文本在同册也复现）。
2. **`-bbox` 的词边界不可信，单字边界可信。** f18 p24 的行归组把两处 `Pantone` 合并并吞掉汉字「属」，
   产生 `PantonePantone` 这种**看似文本层补字、实为工具产物**的假象。
3. **`plain` 与 `-bbox` 的行切分不一致。** f10 p12 页面明明是一行
   `10  Adobe Corporate Brand Guidelines | Adobe Confidential | 25 October 2010`，
   `plain` 把它拆成 `10` + 整串两行，`-bbox` 才给出正确的物理行。
   两者**都不等价于页面**，目视仍是唯一裁判。

**因此对「文本层只用来定位、结论由 600dpi 出」这条既有纪律的判定：成立，且本轮为其补上了第 2 条的可操作判据（跨页复现）。**

---

## 5. 这份结论自己有什么洞

1. **最大的一条：7 类里只测到了 5 类。**
   `法务小字`、`页眉`、`稿件标注` 在 60 组里**一组都没取到**（§2 已写「未发现」不是「零」）。
   而法务小字恰恰是**限定语最密集、最不允许错**的一类。
   换句话说：**本报告没有测过最该测的那一格**，86.7% 这个数**不能外推到法务小字**。
2. **`版本栏` 只有 1 组，0/1。** n<5，0% 不引用。可用样本本身就少。
3. **限定语补字写的是「未发现」不是「零」**，因为分母里没有限定语密集的样本（§3）。
   如果下游流程真要拿文本层当合规硬约束，**本报告给不出任何保证**。
4. **样本来自硬未读池 109 份中的 30 份，不是随机抽样**，
   且中途因 `y%` 误命中而**换过一次选点方法**（§1-bis）。
   换方法这件事本身说明：**零差异率对「怎么挑候选」是敏感的**，跨文件比较必须先统一选点口径。
5. **页脚候选里混进了「页码单独成行」的形态**（f11/f24/f25/f28 `10`、`13`、`02`）。
   这类页脚**只有一个数字，保真度天然最高**，会把页脚类的零差异率往上拉。
   若只看有实际文字的页脚（24 组里 17 组），零差异数不变但**分母与结论都会变**——本轮没有重算。
6. **大小写失真只有 2 处、且来自 2 个文件**（f14、f03），**样本不足，不外推**。
   但它恰恰是最容易在下游炸掉的一类（见 §2 备注）。
7. **漏字与换序的 0 例是反向检索支持的，不是目视支持的**——
   漏字 0 例的证据是「60 组词元 57/60 可在该页 plain 中定位，另 3 处已定位为非漏字」，
   这是**文本层自洽性检查**，不能替代「页面有而文本层无」的直接目视普查。

---

## 6. 落盘与验证记录（渲染次数 / 零字节产出数 / fontcheck 结果）

**产物**

| 项 | 路径 | 规模 |
|---|---|---|
| 本报告 | `/tmp/vi-agents/REPORT-TEXTFID.md` | 本文件 |
| 60 组最终名单 | `/tmp/vi-textfid/roster_final.json` | 60 条，含 bbox 物理坐标 |
| 渲染台账（本轮） | `/tmp/vi-textfid/ledger2.tsv` | 30 行 = 30 份 |
| 渲染台账（选点期） | `/tmp/vi-textfid/ledger.tsv` | 57 行 |
| 证据图 | `/tmp/vi-textfid/img/P*.png`、`F*_E*_s*.png` | 本轮 115 张 / 3,354,206 字节（目录累计 298 张，含选点期） |

**渲染统计（本轮 60 组）**

| 项 | 数 |
|---|---:|
| 比对组数 | 60 |
| 渲染文件数 | 30 |
| `pdftoppm -r 600` 分段调用数 | **70** |
| **零字节产出数** | **0** |
| 分段字节合计 | 1,519,024 |
| 每组打包图 | 30 份 `P??_BOTH.png`；4 份（f03/f08/f21/f26）因总高超 1600px 改出分段图 |

**fontcheck 门禁结果（渲染前逐份必跑）**

- `fontcheck.sh` 退出码：**30/30 全部为 0**（`ledger2.tsv` 第 2 列）。
- 真豆腐块判据（`CID` + `Identity-H` 同时命中）：**0 例**。
- 唯一异常项：AppleLogoStandards 11 行字体未嵌入，按 PITFALLS 78 的形态判据判 OK（见 §1.3）。

**验证动作清单（每组都做了，无跳步）**

1. `pdftotext -f N -l N` 抽该页文本层，**先打印前 200 字符**——对 f10 p56 实际打印出
   `Voice: Examples\n\nAdobe\nGovernment\neLearning\nSolution Brief\nAdobe\nGovernment\nand and\n…`
   （正是这条让「隐藏文本区」提前暴露）。
2. `pdftotext -bbox` 给逐字物理坐标，并核对 `y%`。
3. `pdftoppm -r 600` + 按 bbox 裁切渲染，**逐张目视**（本轮 30 张打包图 + 11 张分段图，全部实际看过）。
4. 与文本层**逐字 diff**，结论登记进 §2 明细表。

**口径与纪律留痕**

- 选点方法中途换过一次：`y%` 单判据 → `y% + 跨页复现`（§1-bis）。换法前后都留了名单与台账，可复核。
- `bbox` 行归组的**拼接/吞字一律不记为文本层补字**（f18 已单列为例外说明）。
- 纯图像件（`pdffonts` 0 行）本轮为 0 份，不存在「不可比」分母。
- 仓库 `/Users/lisonghao/code/world-map` **零改动**；本任务只写 `/tmp/vi-agents/REPORT-TEXTFID.md` 与 `/tmp/vi-textfid/`。
- 必读顺序已按要求执行：`wc -l PITFALLS.md` = 1316 → 读至第 1316 行核对末行 → 读 `REPORT-DPI200.md` → 读 `REPORT-FONTAUDIT.md` §5.2；
  且在读任何其他文件**之前**已用 `cat >>` 落盘骨架（见 0-bis 节）。

---

## 附录 A. 落盘后复核中发现的两处偏差（如实登记，不回改上文）

1. **`PITFALLS.md` 现为 1510 行，0-bis 节记的 1316 行是预读当时的行数。**
   复核时 `wc -l /tmp/vi-agents/PITFALLS.md` = **1510**，文件 mtime 19:48，晚于本任务的预读时点，
   说明**有并发会话在本任务进行期间向该文件追加了内容**。
   本任务预读时 `wc -l` 返回 1316，本任务完整读到第 1316 行并核对了末行——
   **1316 行是本任务预读时刻的完整长度，不是读漏**；上文的「1316」按当时口径成立。
   但严格说，**本任务并未覆盖 1317–1510 这 194 行**，这是本报告的覆盖缺口，在此登记。
2. **`/Users/lisonghao/code/world-map` 现有 58 项工作区变动。**
   本任务全程只写 `/tmp/vi-agents/REPORT-TEXTFID.md` 与 `/tmp/vi-textfid/`，**未对仓库执行任何写操作**；
   这 58 条属并发会话的他人改动，按纪律**不清理、不回滚**。