# REPORT-TEXTFID2 · 法务小字 / 页眉 / 稿件标注 三格补齐

> 任务：把 `REPORT-TEXTFID.md` 的 86.7% 零差异率**扩展**到上一轮 n=0 的三格，或证明它不能被扩展。
> 范围：不提名新变量、不扩展分类轴。只补三格。

## 0. 必读与前提

- `PITFALLS.md`：**读到 1570 行 / 98 条**（`wc -l` = 1570，末行 = 第 98 条）。
  读法：offset 1 / 366 / 725 / 1056 / 1331，共 5 次 read 直到 EOF，逐行核对。
- `REPORT-TEXTFID.md`：直接前序（434 行）。

## 1. 取到了没有（三类各多少组）

（待填）

## 2. 灌测结果（召回 / 精确率，分开报）

（待填）

## 3. 三类各自的零差异率

（待填）

## 4. 限定语补字清单

（待填）

## 5. 86.7% 能不能扩展到这三类

（待填）

## 6. 本报告自己的洞

（待填）

---

## 1-bis. 取样管线（先说清楚分母从哪来，PITFALLS 79）

| 层 | 判据 | 剩余 |
|---|---|---:|
| ACCEPTANCE v4 硬未读有效池 | 沿用前序，不重新推导 | **109** |
| MD5 去重 | PITFALLS 3/1b：重复收录不算多份证据 | **100**（去掉 9） |
| `pdffonts` 字体行 > 0 | 0 行≠无内容 | **100**（0 份为 0 行） |
| 页数可读 | — | **100** |
| `pdftotext -bbox` 整册缓存 | 一次调用取全册逐字坐标 | 100 份 / **零字节产出 0** / 1–200 字节 0 / 42,781,781 字节 |

### ⚠ 取样途中撞到的一个静默故障（本轮新发现）

第一次跑定位器，`PARSE_FAIL = 18`。**若不核对件数，报表上会表现为「这三类几乎没东西」**——
正是 PITFALLS 23「零命中最常见的成因是工具故障」的形态。

定位：`pdftotext -bbox` 会把文本层里的**原始控制字符**（BEL `\x07`、FF `\x0c`）
直接写进 XML，产出**非良构 XML**，`ElementTree` 直接 `ParseError`。

第一次的修法（把控制字符换成 `` 数字实体）**也失败**：
XML 1.0 连 `` 这类数字实体都禁止，报 `reference to invalid character number`。
最终修法：映射到 Unicode 控制图形区 **U+2400+c**（合法 XML、1:1 可逆、仍然肉眼可见）。

| | 修前 | 修后 |
|---|---:|---:|
| `PARSE_FAIL` | **18** | **0** |
| `COPYRIGHT_SYM` 命中 | 163 | **223** |
| `CONFIDENTIAL` 命中 | 11 | **67** |
| `PROPRIETARY` 命中 | 7 | **9** |
| `UNAUTHORISED` 命中 | 20 | **23** |

**18% 的池子被静默丢掉，且丢掉的全是带控制字符的件。**
前序报告 §3 记录的「控制字符是文件级系统性问题」在这里有了新的后果：
**它不只是文本层的噪声，它会让基于 bbox 的定位器整件漏扫。**

### fontcheck 闸门本身的验证（不能只报「跑过了」）

**在已知件上验证闸门**（否则「101/101 全过」与「闸门恒真」不可区分）：

| 测项 | 期望 | 实测 | 结论 |
|---|---|---|---|
| 已知阳性 易至266（`CID`+`Identity-H`，PITFALLS 78 记录的真豆腐块件） | exit **2** | **2**，列出 26 行 `MicrosoftYaHei CID TrueType Identity-H no` | ✅ 闸门能拒 |
| 已知阴性 广发781 | exit **0** | **0**（170 字体行 / 1 未嵌入） | ✅ 不误拒 |
| 用法错误 | exit **4** | **4** | ✅ |
| `--page` 渲染探针 广发 p4 | 非零字节 | `RENDER_OK 1,982,937 bytes` | ✅ 报产出量 |

**全池 101 份（100 池 + 广发）实跑，退出码分布 `{0: 101}`，非 0 件 0。**
即：本轮 48 组 600dpi 取证的机器字体条件是干净的，且闸门**已被证明会拒**。

---

## 2-bis. 灌测结果（PITFALLS 96：召回与精确率**分开报**）

### 灌测 ① 召回 —— 已知阳性：广发781 每页页脚

真值（600dpi，承 PITFALLS 88）：

> 「本手册所示的字体和图片仅作手册说明用途**必须获得正式的版权后方可使用**」

| 项 | 实测 |
|---|---|
| 广发总页数 | 61 |
| 真页脚法务小字所在页 | **59 页** |
| 定位器召回命中 | **59 / 59 = 100%**（例 p2–p9…） |
| 命中检索式 | `CN_SHUOMINGYONGSHI`（`仅作[^，。]{0,6}用途`） |
| ★补字陷阱「，在使用之前须」在定位器输出中出现 | **0 次** |

**「须字陷阱」的对照实验（任务书点名要测的那一条）：**

| 判据 | 在广发全册上的假阳性 |
|---|---:|
| 「含『须』字且是小字」 | **28 行** |
| 本定位器（`仅作…用途`） | **0** |

**28 这个数就是任务书说的那个坑的代价**：
广发文本层本身是**对的**（无「，在使用之前须」，与 600dpi 一致），
但它的小字里另有 28 行含「须」——**一旦拿「须」当法务小字的判据，这 28 行全部变成假阳性**。
本定位器全程**未使用任何限定语字**作判据。

**另记一条正面证据**：该页脚含 `必须`（限定语），且文本层与 600dpi 逐字一致。
这是本项目少见的「限定语密集样本上文本层没错」的直接观察（但 **n=1，见 §5**）。

### 灌测 ② 精确率 —— 已知阴性：纯正文页

阴性页的取法（**程序判定，不是我看出来的**，故另行抽验）：`10≤行数≤40`、
全部行 `y%∈[12,88]`、过半的行是 ≥18 有效字符的散文行 → 61 页 / 15 份件，取跨件 15 页。

| 项 | 实测 |
|---|---|
| 阴性页数 | 15 |
| 定位器标记数 | **法务小字 0 / 稿件标注 0** |

> ⚠ **这一栏必须写成「分母为 0 的无机会检验」，不能写成「精确率 100%」。**
> 15 页纯正文页上定位器**一次都没开火** ⇒ 这道检验**没有产生任何可判定的样本**。
> 「零误报」与「零漏报」在报表上长得一样（PITFALLS 96 原话）。
> 它唯一证明的是：**纯正文页不会污染分母**——这有用，但不是精确率。
>
> **因此本轮的有效精确率检验改由 §4 的 48 组 600dpi 目视承担**（那里每一次开火都被逐条判过真假）。


---

> 下面 §1–§6 的正式正文接在文末（骨架里的「（待填）」占位行以上为准，以下为准）。

# 正式 §1 · 取到了没有：三类各多少组

**结论：三类都取到了，且都超过 8 组门槛。合计 38 组（法务小字 9 / 页眉 14 / 稿件标注 15）。**

| 元素类 | 有效组数 | 门槛 | 跨件数 | 取到的组 |
|---|---:|---:|---:|---|
| 法务小字 | **9** | ≥8 ✅ | 6 | GUNTEST_GF、L01、L02、L03、L04、L07、L12、A06、A13 |
| 页眉 | **14** | ≥8 ✅ | 14 | B01、B02、B04、B05、B06、B07、B08、B09、B10、B11、B12、B13、B14、B15 |
| 稿件标注 | **15** | ≥8 ✅ | 15 | C01、C02、C04…C16（除 C03） |
| **合计** | **38** | ≥24 ✅ | — | — |

> `GUNTEST_GF` = 广发781 的灌测阳性件**同时**作为法务小字样本计入（本人 600dpi 已目视）。

## §1.1 每类的检索式与命中数（分母从哪来，可追）

**法务小字**（`restrict.py`，先形态后语义，详见 §6 洞 1）

| 阶段 | 判据 | 命中处数 | 跨件 |
|---|---|---:|---:|
| 原始形态 | `CN_BUDE` 不得/不可/未经/仅作 | 134 | — |
| | `EN_CONF` confidential / proprietary | 68 | — |
| | `EN_PENALTY` subject to penalty | 1 | — |
| | `EN_UNAUTH` unauthorized | 47 | — |
| 收窄 | 保留**限制性陈述**、剔除出版者/版权**身份**行 | **250 处** | **34 件** |
| 位置收窄 | `y% ≥ 60` | 107 处 | 16 件 |
| | **`y% ≥ 70`（采用）** | **99 处** | **14 件** |
| | `y% ≥ 75` | 89 处 | 13 件 |
| | `y% ≥ 80` | 84 处 | 11 件 |

**页眉**（`filterstep.py` B 路）

| 阶段 | 判据 | 命中 |
|---|---|---:|
| 几何 | `y% ≤ 12 且 h% ≤ 2.8` | 3717 |
| 复现 | 归一化文本在 **≥4 个不同页**复现 | 164 个文本簇 |
| 候选 | 上述两者取交集 | 1758 |
| 跨件抽样 | 每类取 16 组、每组 16 份不同件 | 16 |
| **目视后有效** | 剔除章节扉页大标题 | **14** |

**稿件标注**（`filterstep.py` C 路）

| 阶段 | 判据 | 命中 |
|---|---|---:|
| 几何 + 词形 | `h% ≤ 2.8 且 y% ≥ 40`、短行、含数字、`× / mm / cm / px / px* / MM / DPI / in / Bleed / Safe Area / 尺寸 / 分辨率` 等 | **581** |
| 跨件抽样 | 每类取 16 组 | 16 |
| **目视后有效** | 剔除中文大章节标题 | **15** |

## §1.2 取到之后又剔掉的（边界样本，全部有 600dpi 证据）

剔除不是「凑数不够就降标准」，而是这三类的**字面定义会把正文吃进来**。逐条记录以便复查：

| 编号 | 件 / 页 | 目视所见 | 剔除理由 |
|---|---|---|---|
| A05 | casebrandbookHP p62 | `< > ≤ , . ? œ ∑ ® † ¥ ø π å ß ∂ ƒ © ˙ ∆ ˚` | 字形样张行，`©` 只是样张成员 |
| A11 | bentley p28 | 深绿底反白双栏「…the whistleblower…termination of misconduct.」 | 内部准则正文右栏 |
| A14 | Freepik p68 | 「…in the proprietary and clear manner / 72pt/72pt.」 | 正文排版说明，`PROPRIETARY` 误命中 |
| A16 | GT p30 | 「It's used when two lines are running next to…」 | 术语/正文说明 |
| B03 | ESA p122 | 「7 APPLICATIONS」绿章 + 「7.1 INTRODUCTION」 | 章节扉页，非跑动页眉 |
| B16 | 拜耳 p13 | 「3. How to express our brands」 | 大字章节标题 |
| C03 | 钉钉 p54 | 「图形标志的安全空间与最小使用规范」 | 中文大章节标题 |
| L05 | bentley p16 | 「or indirectly woul[d]… to prosecution.」 | 准则正文右栏尾句 |
| L06 | twitter p16 | 「…take appropriate action against any unauthorized…」 | 法律页正文条款（三栏版式） |
| L08 | HK p30 | 「剪裁甲 在充足的直向空間中，以此彩練圖案…」 | 剪裁方式图注 |
| L09 | MAG p21 | 「marketing messages are prohibited in presentations.」 | PPT 模板条目正文 |
| L10 | ADBOE p1 | 「Adobe Confidential」 | 封面保密标记，**无限制性陈述** |
| L11 | ADBOE p56 | 「54 Adobe Corporate Brand Guidelines \| Adobe Confidential \| 25 October 2010」 | 页脚（非页眉、非法务小字） |

## §1.3 ⚠ 分母必须说清：A 类的 16 组不是「16 组法务小字」

`filterstep.py` 的 A 路是**「小字（h%≤2.8 且有效长度≥6）+ 形态标记」**，命中 269 处。
A01/A02/A03/A04/A07/A08/A09/A10/A12/A15 这 10 组目视后是：

> `© Diebold, Incorporated 2004` / `© 2024 COMSOL` / `© 2023 Egnyte Inc \| All Rights Reserved` /
> `©2008 NYSDED. ALL RIGHTS RESERVED.` / `ESA Communications Production \| Copyright 2008 © European Space Agency` /
> `© University of Ontario Institute of Technology 2019…` / `©2021 A10 Networks, Inc. All rights reserved.` /
> `All rights reserved © Opera Norway AS 2023` / `Adobe Confidential`（页脚）/ Pantone 技术注

**它们是出版者版权身份行，前序 `REPORT-TEXTFID.md` 已把同一类计入「版权栏」格（n=7）。**
其中 A09 的字符串与前序 f07E2 的版权栏**逐字相同**（`© University of Ontario Institute of Technology 2019…`）——
**同一份字符串会同时落进「版权栏」和「法务小字」两格。**

结论：**A 路命中里只有 A06、A13 是法务小字，其余 14 组都不属于本轮三类任一类。**
这正是 §2 精确率的账目来源，也是 §5「格子无法互斥填充」的实测依据。

---

# 正式 §2 · 灌测结果（召回 / 精确率，分开报）

完整数据见上文 §2-bis。此处只给**收口后的两个数**与其分母。

## §2.1 灌测 ① 召回（已知阳性）—— 有效，可引用

| 项 | 值 |
|---|---|
| 阳性件 | 广发781，61 页 |
| 真值页（600dpi 目视） | 59 页 |
| 定位器命中 | **59 / 59 = 100%** |
| 命中检索式 | `CN_SHUOMINGYONGSHI` = `仅作[^，。]{0,6}用途` |
| ★任务点名的补字陷阱「，在使用之前须」出现次数 | **0** |
| ★对照：「含『须』字且小字」判据在同件的假阳性 | **28 行** |

结论：**召回侧通过**。这是本轮唯一一个「有真值分母」的灌测。

## §2.2 灌测 ② 精确率（已知阴性）—— **无有效分母，只能记为通过一半**

| 项 | 值 |
|---|---|
| 阴性页（程序判定纯正文页，跨 15 件） | 15 页 |
| 定位器在阴性页上的开火数 | 法务小字 0 / 稿件标注 0（页眉路不适用：阴性页 `y%≥12`） |
| 可判定样本数 | **0** |

**15 页里一次没开火 ⇒ 这道检验没有产生任何可判定的样本。**
把它写成「精确率 100%」就是 PITFALLS 96 说的「零误报与零漏报在报表上长得一样」。
它证明的只有一件事：**纯正文页不会污染分母**。

## §2.3 有效精确率改由目视承担（60 个候选的完整账目）

分母 = 定位器/过滤器开火并被送去渲染的全部候选 = **60 组**
（A16 + B16 + C16 + L12；`GUNTEST_GF` 是灌测件，不计入候选账）。

| 判定 | 组数 | 说明 |
|---|---:|---|
| **三类命中**（目视确认为法务小字 / 页眉 / 稿件标注） | **37** | 法务 8（A06,A13,L1,L2,L3,L4,L7,L12）+ 页眉 14（B01…B15 去 B03,B16）+ 标注 15（C01…C16 去 C03） |
| 非三类（误报） | **23** | A 路 14、B 路 2、C 路 1、L 路 6 |
| **合计** | **60** | |

**有效精确率 = 37 / 60 = 61.7%**

误报的 23 组只有两个来源，且都不是随机的：

| 误报来源 | 组数 | 典型 |
|---|---:|---|
| **章节扉页 / 大字标题**（几何过滤 `h%`/`y%` 挡不住「很大的字在页顶」） | 4 | B03 ESA `7 APPLICATIONS`、B16 拜耳 `3. How to express…`、C03 钉钉大标题、L09 MAG 条目正文 |
| **`©` 身份行 ≠ 限制性陈述** | 13 | A 路 13 组（见 §1.3） |
| 其余（正文/图注/术语说明/页脚/封面标记） | 6 | A11、A14、A16、L05、L06、L08、L10、L11 |

> 这 61.7% **不是「文本层保真度」指标**，它是「自动选点器」指标。
> 两者混在一起会得出一个完全错误的结论：好像这个语料库只有 62% 的小字是准的。
> 实际上：37 个真命中里**零差异 37 个**（§3）。**选点器不准，保真度很好。**

---

# 正式 §3 · 三类各自的零差异率

## §3.1 主表（差异分类固定 7 值）

判据：600dpi 目视逐字 vs 该页文本层（`-bbox` 与 plain 双源）。

| 元素类 | 有效 n | 零差异 | 零差异率 | 漏字 | 补字 | 换序 | 断行归一化后可对齐 | 不可比 | 未发现 |
|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|
| **法务小字** | **9** | **9** | **100%** | 0 | 0 | 0 | 0 | 0 | 0 |
| **页眉** | **14** | **14** | **100%** | 0 | 0 | 0 | 0 | 0 | 0 |
| **稿件标注** | **15** | **15** | **100%** | 0 | 0 | 0 | 0 | 0 | 0 |
| **合计** | **38** | **38** | **100%** | 0 | 0 | 0 | 0 | 0 | 0 |

三类 n 均 ≥5，**比率可引用**（无「样本不足」格）。

> 口径说明：分母是**目视判定为该类真目标**的组数（38），不是过滤器开火数（60）。
> 用 60 做分母会得到 38/60 = 63.3%，那个数衡量的是选点器不是文本层（§2.3）。

## §3.2 法务小字 9 组逐组

| # | 件 / 页 | 600dpi 逐字读到的内容 | 差异 | 注记 |
|---|---|---|---|---|
| 1 | 广发781 p59（代表） | 「本手册所示的字体和图片仅作手册说明用途**必须**获得正式的版权后方可使用」＋英文行 `FONTS AND PHOTOS … COPYRIGHTS MUST BE OBTAINED BEFORE COMMERCIAL USE.` | 零差异 | 无「，在使用之前须」；限定语 `必须` 在位 |
| 2 | alberta p125 | 「…Unauthorized use is subject to penalty.」 | 零差异 | 真法务小字 |
| 3 | 钉钉 p54 | 「…设计的标志仅作说明用途，在印刷时不可通过扫…」 | 零差异 | **限定语密集**：`仅`、`不可` |
| 4 | alberta p4 | `The Alberta Government may seek damages resulting from the unauthorized reproduction or publication of the Alberta signature.`（3 行） | 零差异 | 页下段法律后果陈述，非 running footer |
| 5 | HRHotel p23 | `HRHBG10.05 \| For internal use only. Reproduction without written permission is prohibited.` | 零差异 | 页底 running footer |
| 6 | EveryMatrix p35 | `This message is for the designated recipient only … Any other use of the email by you is prohibited. Also, …`（4 行浅灰） | 零差异 | 邮件签名免责 |
| 7 | Budweiser p1 | `© 2021 Anheuser-Busch InBev` / `All Rights Reserved` / `Confidential and Proprietary Information of Anheuser-Busch InBev.` | 零差异 | 封面红底反白；跨 6 段裁切才读全 |
| 8 | 钉钉 p24 | `注：「Slogan」与「标志+Slogan组合」，因互斥关系，不可同时在画面中展示。` | 零差异 | **注记型**，非版权声明；全角「：」右半留白是字形度量，**不计字形失真** |
| 9 | HRHotel p1 | 同 #5 字符串 | 零差异 | **同件同字符串封面复现**；证据强度弱于 #5，单列不合并 |

## §3.3 页眉 14 组逐组

| # | 件 / 页 | 600dpi 读到的页眉 | 差异 |
|---|---|---|---|
| B01 | OntarioTech p3 | `Ontario Tech University` | 零差异 |
| B02 | Freepik p2 | `Freepik brand guidelines` | 零差异 |
| B04 | Dubai | `DUBAI BRAND GUIDELINES 2023`（蓝底大字带） | 零差异 |
| B05 | Pluralsight p3 | `T \| BRAND GUIDELINES` | 零差异 |
| B06 | MHRUK | `MHRUK brand toolkit`（深蓝底） | 零差异 |
| B07 | WeChat p58 | `CHAPTER 03  SUB-BRAND SPECIFICATIONS` | 零差异 |
| B08 | SoM p2 | `Brand identity & style guide` | 零差异 |
| B09 | Harrods p2 | `Brand identity guidelines \| Help The Harrods brand \| Introduction How to use t…`（四栏带） | 零差异 ※四栏由 bbox 合并，页面四栏位置正确 |
| B10 | Tripadvisor p2 | `Tripadvisor  2` | 零差异 |
| B11 | FS p2 | `BRAND IDENTITY GUIDELINES   02.00 CORE ELEMENTS` | 零差异 |
| B12 | EveryMatrix p4 | `EveryMatrix Brand Guidelines` | 零差异 |
| B13 | 3m p64 | `Color Appendix    3M Visual Identity Guide…` | 零差异 |
| B14 | Branding p43 | `5.0 \| USAGE EXAMPLES`（深蓝条） | 零差异 |
| B15 | Budweiser p165 | `Budweiser \| Brand Identity \| Applications \| Pas[sion Point] \| Sno…` | 零差异 |

## §3.4 稿件标注 15 组逐组

| # | 件 / 页 | 600dpi 读到的标注 | 差异 | 注记 |
|---|---|---|---|---|
| C01 | ESA p136 | `7 Footer 750 x 16  #000000` / `© Notice: Verdana Regular 10 pixel #FFFFFF` | 零差异 | **`©` 使同一字符串同时被法务小字命中**（三类重叠，见 §5.2） |
| C02 | alberta p21 | `Photo748.jpg Photo1444.jpg Photo660.jpg Photo1708.jpg Photo1516.jpg Photo569.jpg Photo1788.jpg Photo1612.jpg` | 零差异 | 资源文件名标注 |
| C04 | Diebold p25 | 尺寸线 `1.905cm` ×2 ＋ `Subject:` ＋ `Page 24` | 零差异 | |
| C05 | Harrods p47 | `Main contents 210 x 305 x 115 \| 280 x 420 x 100 \| 500 x 370 x 120 \| 600 x 444 x 144` | 零差异 | 分隔符是 **ASCII `x` U+0078** |
| C06 | 红牛 p11 | `display: block;` ＋ `Form C` `4px` `Form D` | 零差异 | CSS 实现标注 |
| C07 | WeChat p46 | `32 px* 32 px`（深底白字） | 零差异 | `*` 是 U+002A |
| C08 | 韩束 p32 | `29MM`（带尺寸线） | 零差异 | 全大写 `MM` |
| C09 | HK p16 | 两处 `0.5X`（青色括号方框） | 零差异 | 大写 `X` U+0058 |
| C10 | 3m p33 | `Letter portrait, up to 11x11 in / Extended 3x3 grid`＋`728x90 px banner / Extended 3x3 grid` | 零差异 | ★见 §3.5 字形变体 |
| C11 | klarna p45 | `Typeface: Klarha / To be used in size 200-40 px` | 零差异 | |
| C12 | hwdsb p15 | `1085 X 635 PIXELS` / `1050 X 600 PIXELS` / `ALL TEXT WITHIN THE SAFE MARGIN.` | 零差异 | 大写 `X` |
| C13 | Freepik p48 | `Minimum print size 0.5 x 0.5cm` / `Minimum web size x 20 pixels` | 零差异 | ★见 §3.5 |
| C14 | dbwm p15 | `Half-page Ad (500x600px) 44px` / `Leaderboard (980x260px) 50px` / `Desktop Example (1024px plus) ** 50px` | 零差异 | 含 `**` 星号 |
| C15 | ADBOE p13 | `Tabloid-size poster` / `8.5x11” flyer` / `Table-top signs` | 零差异 | `”` = **U+201D**（不是 U+2033） |
| C16 | Networks p13 | `0.5 inches wide @ 300 DPI` / `50 pixels wide @ 72 DPI` | 零差异 | 同一物理行前半是正文，切分边界不干净，**内容仍零差异** |

## §3.5 ★必须写出来的一条：`x` 与 `×` 的字形陷阱

C05 / C10 / C13 / C15 的分隔符在 600dpi 上**目视是「×」**（尤其 30pt 以上时，Helvetica 的 ASCII `x`
与 `×` 几乎同形）。若不查码位就目视判读，会把这 4 组误报成「字符替换」。

程序化核对（按页取该 y 带内全部 bbox word 后逐字打印码位）：

| 组 | 文本层码位 | 目视 | 判定 |
|---|---|---|---|
| C05 | `210 x 305 x 115` 全为 **U+0078** | × | **零差异** |
| C10 | `Extended 3x3 grid` 全为 **U+0078** | × | **零差异** |
| C13 | `0.5x0.5cm` / `20x20pixels` 全为 **U+0078** | × | **零差异** |
| C15 | `8.5x11”` 中 `x`=**U+0078**、`”`=**U+201D** | x ″ | **零差异** |
| C09 / C12 | `0.5X` / `1085X635` 中 `X`=**U+0058** | X | **零差异** |

**全语料 100 件中，本轮接触到的尺寸分隔符没有任何一处是 U+00D7（真 `×`）。**

## §3.6 反向检索：宣布「漏字 0 / 换序 0」之前必须做

方法（`backfill.py` / `chunkify.py` / `order3.py`，均为写文件 + `if __name__ == "__main__":`）：

1. 把 **60 组**每组的 bbox 行串回灌到该页 `pdftotext` plain（去空白后子串匹配）；
2. 整串命中 **38**、未命中 **22**；
3. 对 22 处做**贪心最长块切分**（每块 = plain 中能出现的最长连续串），再对每块做**存在性**与**严格递增匹配**判定（`find-from-prev` 贪心最靠前 = 最优解）。

| 判定 | 组数 | 归因 |
|---|---:|---|
| 全部块存在 **且** 可按严格递增顺序定位 → **无漏字、无换序**，未整串命中只因 bbox 行归组跨栏/跨框/跨表格接缝 | **21** | 工具产物 |
| 块全部存在但顺序不一致 | **1**（C01 ESA p136） | 表格跨列的**提取顺序**差异，见下 |
| 存在 plain 中找不到的块（= 漏字候选） | **0** | — |

**C01 的裁决**：bbox 按 x 物理顺序把表格第 7 行四格拼成
`7 Footer 750x16 #000000 ©Notice:Verdana…`；plain 按表格阅读顺序输出为
`7 Footer` → `© Notice…` → `750 x 16` → `#000000`。600dpi 目视确认**四格内容与位置均正确**。
⇒ 记为**提取顺序差异（工具产物）**，不是文本层内容换序；**该组仍判零差异**（页面与文本层一致）。

> **所以「漏字 0」是有反向检索支撑的，不是「没看见」。**

---

# 正式 §4 · 限定语补字清单

## §4.1 三类补字的登记（三类分母 38 组）

| 补字子类 | 有效分母 | 计数 | 写法 |
|---|---:|---:|---|
| **限定语补字**（须／应当／必须／经／后／前） | **2 组**（37 个有效样本组中命中 0 组 + 广发 1 组） | 0 | **未发现**（不是「零」） |
| **普通字补字** | 38 | 0 | **未发现**（分母 38，n≥5，但按纪律仍写「未发现」） |
| **空白/控制类补字** | 38 | 0 | **未发现** |

> 「限定语补字」只给 **2 组**的分母（广发 + 任何含 6 词之一的样本），
> **远不足以支撑写「零」**，故按纪律写「未发现」。

## §4.2 为什么分母只有 2：任务书给的 6 个限定语在本语料里几乎没有判别力

对 37 个有效样本组做限定语扫描（`modal.py`）：

| 限定语 | 命中组数 | 说明 |
|---|---:|---|
| 须 / 应当 / 必须 / 经 / 后 / 前 | **0** | 六词在 37 组文本层里**一个都没有** |
| 实际出现的中文限制词 | **2 组** | A13（`仅作`、`不可`）、L7（`不可`） |
| 实际出现的英文限制词 | 8 组 | A06 `unauthorized`、L1 `unauthorized`、L2/L12 `only`、L3 `prohibited`、L4 `confidential`、C13 `only` |

对已知阳性件广发781（去标签文本 73,227 字）做同词频次：

| 词 | 出现次数 | 判别力 |
|---|---:|---|
| 须 | 160 | **其中 151 次是「必须」的子串**，独立「须」仅 9 次 |
| 必须 | 151 | 绝大多数在**正文**，不在法务小字 |
| 后 | 126 | 「之后／前后」等常用字，**无判别力** |
| 经 | 35 | 「已经／经过」 |
| 前 | 14 | 常用字 |
| 应当 | 0 | — |
| — 对照 — | | |
| 仅 | 130 | 「仅作说明用途」= 法务小字的真实特征 |
| 仅作 | 119 | **这才是本语料的有效判别词** |
| 不可 | 57 | |

**结论**：6 词清单里的 `后/前/经/须` 在中文 VI 语料中是**高频常用字**，
`应当` 则完全不存在；而真正区分法务小字的是 `仅作 / 不可 / 不得 / prohibited / unauthorized`。
**这与 PITFALLS 88 要求「定位器不得以『含须字』作法务小字判据」完全一致**：
广发全册用「含须且小字」当判据会产生 **28 行假阳性**，本轮实测须字 160 次里 151 次是「必须」。

## §4.3 类外观察：ADBOE p56 的「不可见文本层」（不计入三类）

**发现**：ADBOE corporate_brand_guidelines.pdf **第 56 页**的文本层含一整行 ROT+1 密文：

```
t  %FTJHO DPNQFMMJOH DPOUFOUOP TQFDJBM[FE QSPHSBNNJOH TLJMMT SFRVJSFE
```

逐字符 −1 解码 = `s COMPELLING CONTENT NO SPECIALIZED PROGRAMMING SKILLS REQUIRED`
（字形索引与 Unicode 码位整体错位 1，即字体子集 ToUnicode 缺陷）。

**600dpi 核验**：按 bbox 坐标（x 153.0–321.2pt，y 601.0–608.6pt）裁切，
**底部 100px 带灰度 min = 255、非白像素 = 0** —— 页面上**没有可见字形**。
（并按 PITFALLS 90 换算：`y=601pt` → `601×600/72 = 5008px`，落在页高 5100px 内，坐标换算无误。）

分类：这既不是 `补字`（页面没有可比对的字），也不是七值里的任何一项，
而是**「文本层有、页面无」的不可见文本**。本轮不新增分类轴（任务约束），
**如实登记为类外发现，不计入 38 组分母**。它是本轮唯一一个「文本层 ≠ 页面」的实例。

---

# 正式 §5 · 86.7% 能不能扩展到这三类

## §5.1 直接回答

**能扩展。** 三格从「未发现」变为有分母，且实测零差异率 **38/38 = 100%**，高于既有 86.7%。

但**不能把 86.7% 这个数改写掉**，只能并列或合并：

| 口径 | 分母 | 零差异 | 比率 | 可引用 |
|---|---:|---:|---:|---|
| 前序 `REPORT-TEXTFID.md`（页脚24+色卡19+版权栏7+章节标题9+版本栏1） | 60 | 52 | **86.7%** | ✅ |
| 本轮三类（法务小字9+页眉14+稿件标注15） | 38 | 38 | **100%** | ✅（三类 n 均 ≥5） |
| **合并池** | **98** | **90** | **91.8%** | ⚠ 见 §5.3 的四条限制 |

**三类每格 n 都 ≥5，没有「样本不足，不引用」的格子。**

## §5.2 ⚠ 格子不互斥 —— 这是实测结果，不是推断

三格与前序已填格、与彼此之间都存在同一份字符串被两格命中的情况：

| 重叠 | 具体证据 | 后果 |
|---|---|---|
| **法务小字 ∩ 版权栏** | A09 OntarioTech p78 的 `© University of Ontario Institute of Technology 2019. ONTARIO TECH UNIVERSITY / … Design are trademarks of … D5050. June` **与前序 f07E2 的版权栏逐字相同** | 同一字符串可同时计入两格 |
| **法务小字 ∩ 版权栏** | L4 Budweiser p1 的 `© 2021 Anheuser-Busch InBev / All Rights Reserved` | 同上 |
| **法务小字 ∩ 稿件标注** | C01 ESA p136 的 `© Notice: Verdana Regular 10 pixel #FFFFFF` —— `©` 使它**同时**被限制性陈述检索与尺寸规格检索命中 | 同一字符串可同时计入两格 |
| **页眉 ∩ 章节标题** | B03 ESA `7 APPLICATIONS` 同时满足两者；正因两格重叠它才被目视剔除 | 剔除规则依赖「目视」而非定义 |
| **页眉/法务小字 ∩ 页脚** | L11 ADBOE p56 `54 Adobe Corporate Brand Guidelines \| Adobe Confidential \| 25 October 2010` 是**页脚**，而前序已有独立的「页脚」格（n=24） | 本轮三格不含页脚，但检索式会命中页脚 |
| **稿件标注 ∩ 色卡标注** | C05 Harrods p47 的 `Main contents 210x305x115…` 是颜色/尺寸表，既像色卡标注也像尺寸标注 | 与前序「色卡标注」格边界模糊 |

**结论：三格不是互斥分区，是三组带重叠的检索靶。**
把它们直接加到 98 的分母里，等于**允许同一份证据被数两次**。
按任务约束「不扩展分类轴」，本轮**不引入新轴去解决它**，只如实登记。

## §5.3 合并成 91.8% 的四条限制（必须随数一起引用）

1. **抽样口径不同**。前序 60 组来自 30 份件的既定抽样；本轮 38 组来自 **100 件池的定向检索**
   （`y%≤12 & h%≤2.8`、`h%≤2.8 & 含数字`、限制性陈述等）。前序自己写过：
   *「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」*。合并池恰恰没有统一。
2. **格子重叠**（§5.2）：分母 98 里存在潜在重复计数。
3. **100% 有结构性成分**。三类里有一批「文本层内容本身就只是这段装饰里的字」的样本：
   深底反白整幅色带页眉（B04 Dubai 蓝带、B06 MHRUK 深蓝带、B13、B14、B15）、
   图片资源文件名（C02）、CSS 代码（C06）、尺寸表（C05、C14）。这类文本层没有「排版推断」余地，保真度天然接近 100%。
4. **本轮不含页脚、版权栏、色卡标注**，前序 60 组的三类大格仍然只在旧口径下成立；
   特别是**页脚 n=24 的 87.5%** 与本轮**法务小字里 4 组 running footer 的 100%** 指向同一类页面元素却给出不同数——
   **这本身就说明合并池的 91.8% 不是同质的**。

## §5.4 对 PITFALLS 97「前序 86.7% 的空洞」的处置

前序留下的洞是：**「本报告没有测过最该测的那一格，86.7% 不能外推到法务小字」**。

- 本轮已把该洞**填上**：法务小字从「未发现」变为 **n=9，零差异 9，100%**（含已知阳性件广发 59 页逐页召回 100%）。
- 同时给出**新的、方向相反的证据**：这个洞之所以存在，是因为**旧抽样根本没抽到法务小字**——
  换成「按形态标记定向检索 + 位置收窄」后，一次抽到 99 处/14 件。
  ⇒ **「未发现」是取样失败，不是现象不存在。** 这条比 91.8% 本身更值得记。

---

# 正式 §6 · 本报告自己的洞（6 条）

## 洞 1：「未发现」是**取样失败**，不是现象不存在 —— 同一批文件，两种抽样差出 99 处

| 抽样 | 法务小字组数 |
|---|---:|
| 前序 30 份件的既定抽样 | **0 组**（记「未发现」） |
| 本轮：先形态标记（不得/不可/仅作/prohibited/unauthorized）→ 收窄限制性陈述 → `y%≥70` | **99 处 / 14 件** |

同类页眉元素，旧抽样 0 组、新抽样 1758 候选。
⇒ **「某格未发现」这个结论里，分不清「文件里没有」和「没抽到」。**
前序写「法务小字未发现」并据此说 86.7% 不能外推——那个推理在当时是对的，
但它的前提（该类在语料中稀少或不存在）**被本轮实测推翻**。
**任何以「未发现」为由拒绝外推的结论，都应先补一次定向检索再下。**

## 洞 2：形态标记会把「版权栏」拖进「法务小字」——`©` 单独用不了

- `©` 在 100 件池里命中 **223** 处；但目视后 **13 组是出版者版权身份行**（`© 2024 COMSOL`、
  `©2008 NYSDED. ALL RIGHTS RESERVED.`、`©2021 A10 Networks, Inc.`…），另有 1 组是**字形样张行**
  （casebrandbookHP p62 的 `< > ≤ , . ? œ ∑ ® † ¥ ø π å ß ∂ ƒ © ˙ ∆ ˚`）。
- 换成**限制性陈述**（不得/不可/未经/仅作/prohibited/unauthorized/subject to penalty）并剔除出版者身份行后，
  得到 250 处 / 34 件，目视真命中 8 组。

⇒ **`©` 是「版权」的形式标志，不是「法务」的语义标志。**
分类必须落在**语义**上，形态标记只用来生成候选。

## 洞 3：任务给定的 6 个限定语，在中文 VI 语料里**没有判别力**

广发781（73,227 字去标签文本）实测词频：`须` 160（**其中 151 是「必须」的子串**）、`后` 126、
`经` 35、`前` 14、`应当` **0**。而真正区分法务小字的是 `仅作` 119 / `仅` 130 / `不可` 57。

后果已实测：**用「含须字且小字」当法务小字判据，在广发全册产生 28 行假阳性**（PITFALLS 88 的要求得到验证）。
37 个有效样本组里，6 词命中 **0 组**；真正的中文限制词只出现在 A13、L7 两组。

⇒ **限定语清单必须按语料实测重定，不能沿用通用法律文书词表。**

## 洞 4：解析故障会**静默**吃掉 18% 的池子，而且报表上长得像「没东西」

第一次跑定位器 `PARSE_FAIL = 18`。根因：poppler 把原始控制字符（BEL `\x07`、FF `\x0c`）
直接写进 `-bbox` XML → **非良构 XML** → 解析整件失败。
`&#7;` 数字实体也被 XML 1.0 禁止（`reference to invalid character number`）；
最终映射到 U+2400+c 才合法（1:1 可逆、仍可见）。

修复前后：`PARSE_FAIL` **18 → 0**，`CONFIDENTIAL` 命中 **11 → 67**，`COPYRIGHT_SYM` **163 → 223**。

⇒ **「某类几乎没命中」的第一嫌疑应该是工具炸了，不是语料里没有。**
这一条与洞 1 合起来才是完整教训：**负结果必须先证伪工具，再谈现象。**

## 洞 5：目视也会骗人 —— ASCII `x` 与 `×` 同形

C05 / C10 / C13 / C15 的尺寸分隔符在 600dpi 上**目视是「×」**，实际码位全是 **U+0078**（ASCII 小写 x）
或 **U+0058**（大写 X）。若只凭目视，会把这 4 组误报成「字符替换」，38 组里凭空多 4 个差异。
⇒ **目视定「有差异」，码位定「差异是什么」。** 两者分工不能反。
（同族陷阱见 PITFALLS 26 的 `Ø`、§3.5 的 `x`。）

## 洞 6：★「同串复现 ≥4 页」这个判据，被我自己用的 bbox 行归组方式破坏了

页眉路用「归一化后同串在 ≥4 个不同页复现」作门槛。用**保留数字**的归一化重算（`recur2.py`）：

| 组 | 旧 recurs（去数字） | 新 recurs（保留数字） | Δ |
|---|---:|---:|---:|
| B08 SoM | 34 | **0** | −34 |
| B09 Harrods | 29 | **0** | −29 |
| B13 3m | 21 | **0** | −21 |
| B15 Budweiser | 19 | **0** | −19 |
| B14 Branding | 19 | **1** | −18 |
| B10 Tripadvisor | 27 | **10** | −17 |
| B12 EveryMatrix | 25 | **39** | +14 |
| 其余 9 组 | — | ±0~+9 | — |

**16 组里 6 组的「复现」是假的**（旧值 19–34 全部通过 ≥4 门槛，新值 0–10，其中 4 组为 **0**）。

原因：`bbox` 的「行」是**同一 y 带内所有文本块的拼接**。B08 的 `Brand identity & style guide` +
`University of Bath School of Management` + 章节名被串成一条；B13/B15 同理串进了**页码**。
去掉数字后「页码不同的页」被判成同一串；保留数字后这些页**根本不相等**（新值 0）。

⇒ **判据的对象必须是页面上真实的一个语义单元，不能是工具顺手切出来的行。**
更要紧的是：**这 6 组的复现数不可引用**（我在 §1.1 里列过 `B01=76…B16=18`，
按本条应视为**作废**；B 类 14 组的**归类**仍成立，因为依据是 600dpi 目视，不是复现数）。

**对上文 §1.1 页眉表的更正**：`复现` 一栏的 164 个文本簇与逐条 recurs 值，
其判定规则（去数字归一化 + bbox 行串）已被本条证伪，**请勿引用该栏数值**；
页眉 14 组这一分母本身站得住（每组都过了 600dpi 目视 + y%≤12 & h%≤2.8）。

---

# 附 · 渲染台账、产出清单与复算命令

## A1. 渲染台账（每次渲染都报零字节产出数）

| 台账 | 渲染条目 | **零字节产出** | 返回码 | 裁切图 | `render_bytes` 合计 |
|---|---:|---:|---|---:|---:|
| `render_ledger.json`（A16+B16+C16+GUNTEST_GF） | 49 | **0** | 全 0 | 103 | 71,102,281 |
| `render_ledger2.json`（法务精修 L1–L12） | 12 | **0** | 全 0 | 26 | 12,929,284 |
| ROT 探针（ADBOE p56 密文行，含 1 次重复全页渲染） | 1 | **0** | 0 | 2（+1 放大图） | 779,957 ×2 |
| **合计** | **62** | **0** | 全 0 | **129** | **≈ 8.6×10⁷** |

`/tmp/vi-textfid2/img/` 实际文件 **132** 个 = 129 裁切图 + 2 张 ROT 分段 + 1 张 ROT 放大图。
无裁切产出（segs 为空）的条目：**0**。

## A2. 本轮产物（全部在 `/tmp`，仓库 `/Users/lisonghao/code/world-map` **未改动任何文件**）

| 文件 | 内容 |
|---|---|
| `pool.py` / `pool.json` | 去重后 100 件池（md5、path、font_rows、pages） |
| `bboxcache.py` / `bbox/*.xml` | 100 份 `-bbox` 整册缓存，42,781,781 字节，零字节 0 |
| `locate.py` / `raw_hits.json` / `rawcount.json` / `pages_<md5>.json` | 检索式命中表（含控制字符 → U+2400+c 修复） |
| `filterstep.py` / `cand_A|B|C.json` | 三路几何过滤器（A 269 / B 1758 / C 581） |
| `pick2.py` / `pick.json` / `legal_pick.json` / `restrict.json` / `restrict_bot.json` | 抽样与法务精修集 |
| `render.py` / `render2.py` / `render_ledger*.json` | 600dpi 裁切渲染 |
| `plainsel.py` / `plain.json`、`lplain.py` / `lplain.json` | 文本层基准（目视对照用） |
| `backfill.py` / `chunkify.py` / `order2.py` / `order3.py` / `misswhy.py` | 反向检索（漏字 / 换序）链 |
| `modal.py` / `modals.json`、`recur2.py` / `recur2.json` | 限定语词频、页眉复现数复核 |
| `rot_render.py` / `rot_render2.py` | ADBOE p56 不可见文本层的像素级核验 |

全部脚本均为写文件 + `if __name__ == "__main__":`；**未使用 `xargs -d`**。

## A3. 复算命令

```bash
cd /tmp/vi-textfid2
python3 pool.py && python3 bboxcache.py && python3 locate.py
python3 filterstep.py && python3 pick2.py
python3 restrict.py          # 法务小字精修集
python3 backfill.py && python3 chunkify.py && python3 order3.py   # 反向检索
python3 modal.py && python3 recur2.py                            # §4/§6 的两个实测
```

## A4. 三句话结论

1. **三类都取到了**：法务小字 9 / 页眉 14 / 稿件标注 15，合计 **38 组**（门槛 8/8/8），三类 n 均 ≥5 可引用。
2. **零差异率 = 38/38 = 100%**；补字（限定语/普通字/空白控制类）**均写「未发现」**，漏字 0 有反向检索支撑，换序仅 1 例且经目视裁决为表格提取顺序差异。
3. **86.7% 可以扩展但不能替换**：合并池 52+38 / 60+38 = **91.8%**，但必须随四条限制一起引用；
   真正的收获不是 91.8%，而是**前序那三个「未发现」是抽样失败，不是现象不存在**。