DOCX anomaly inspector

Спецификация реализованного модуля для поиска и безопасной корректировки явных аномалий DOCX. Модуль относится к разделу СТИЛИ И ГИГИЕНА и вынесен в отдельную вкладку АНОМАЛИИ ДОКУМЕНТА, чтобы не смешивать низкоуровневую текстовую гигиену с анализом структуры документа.

Назначение

DOCX anomaly inspector ищет признаки дурного форматирования, которые обычно видны человеку при вычитке документа: съехавшие таблицы, странные секции, разрывы, пропуски нумерации, оторванные подписи, неоднородные абзацы и похожие системные сбои.

Главный принцип: модуль не должен ругать легитимную сложность документа. Например, альбомная ориентация сама по себе не аномалия, если она нужна для широкой таблицы. Аномалия - альбомная страница с обычным текстом без видимой причины, либо разорванная таблица, где часть оказалась в другой ориентации.

Граница ответственности: этот модуль отвечает за поиск и гигиену ошибок форматирования и структуры. Он не должен становиться общей текстовой вычиткой: двойные пробелы, единицы измерения, адресные обозначения, населённые пункты, улицы, дома и морфологические правила относятся к общей команде Глубокая гигиена DOCX, описанной в docs\DOCX_DEEP_HYGIENE_RU.md.

Команды UI

Текущий вариант в СТИЛИ И ГИГИЕНА:

• Проверка аномалий DOCX - только отчёт, без изменения файлов. RO-слой

реализован в system_core\docx_anomaly_inspector.py и покрывает таблицы, подписи таблиц/рисунков, секции/ориентацию, колонтитулы и нумерацию страниц, поля/оглавление/ссылки/закладки, списки/нумерацию, пустоты и заголовки.

• Корректировка аномалий DOCX - применяет только выбранные безопасные

исправления и пишет отчёт до/после. Первый слой реализован в system_core\docx_anomaly_corrector.py: лишние пустые абзацы, точная высота строк, запрет переноса текста в ячейках, опциональная унификация границ и полей ячеек.

В UI это выглядит как одна вкладка АНОМАЛИИ ДОКУМЕНТА с переключателем режима:

• Проверка - тёмно-зелёный кант, режим без изменения документов.
• Корректировка - тёмно-оранжевый кант, режим вмешательства в копии DOCX.

UI показывает чекбоксы классов проверок в адаптивной сетке: подпись стоит на линии чекбокса, а число колонок уменьшается при узкой ширине панели. Кнопка запуска находится в верхней строке справа, на уровне НАЗАД. Корректировка всегда пишет копии в output, исходники не меняются.

Формат отчёта

Отчёт должен быть табличным и пригодным для ручной проверки:

Отчёт должен идти в report\docx_anomalies.md/.docx/.json. Копии с исправлениями - в output\docx_anomaly_fixed.

Локация ошибок

Основная локация в отчётах должна быть устроена так, как человек реально ищет место в Word: по странице, номеру раздела, номеру таблицы и номеру рисунка. Внутренние индексы абзацев, run-ов и XML-узлов можно писать в JSON как служебные debug-поля, но не использовать как главный ориентир в MD/DOCX отчётах.

Приоритеты локации:

1. страница - точная, если доступна через Word COM/rendered pagination;

иначе страница: не определена.

1. раздел - ближайший заголовок с номером, например 2.1.3 Исходные данные.
2. объект - Таблица 7, Рисунок 4, Приложение А, колонтитул,

оглавление, закладка.

1. деталь - строка/колонка таблицы, подпись, шапка, поле SEQ, номер

страницы, пустой абзац перед/после объекта.

1. поисковый фрагмент - короткая строка, которую можно вставить в поиск

Word, если номер страницы или объекта недостаточен.

Примеры:

• стр. 27; раздел 2.1.3 "Исходные данные"; Таблица 12; строка 4.
• стр. 44; Рисунок 7; подпись на следующей странице.
• стр. 1; колонтитул; номер страницы начинается с 3.
• страница: не определена; раздел 4.2; Таблица 18; шире полезной области.

Для DOCX без доступной пагинации отчёт всё равно должен давать пригодный человеческий адрес: ближайший раздел, номер таблицы/рисунка/подписи и поисковый фрагмент.

Глоссарий

• Аномалия - форматный или структурный признак, который статистически похож на

ошибку в конкретном документе.

• Разрыв секции - служебный объект Word, который меняет поля, ориентацию,

колонтитулы или нумерацию страниц.

• Строки перед шапкой (pre-header) - строка перед основной шапкой таблицы.

Часто это строка с номерами колонок. Если она есть, повторяться при переносе обычно должна именно она, а не весь большой заголовочный блок.

• Фиксированная высота строки - настройка строки таблицы, при которой Word

может обрезать переносимый текст.

• Висячий заголовок - заголовок в конце страницы без текста, таблицы или

рисунка сразу после него.

• Оторванная подпись - подпись таблицы/рисунка находится далеко от объекта или

уехала на другую страницу.

Классы проверок

Типографика и абзацы

Проверять:

• резкий разброс шрифтов и кеглей внутри похожих абзацев;
• разные интервалы и отступы в похожих абзацах;
• случайные жирность, курсив или подчёркивание только в рамках одного слова,

заголовка, наименования или названия;

• слишком маленький кегль в основном тексте и таблицах, если это выбивается из

документа.

Не считать аномалией:

• легитимный курсив/жирность в длинных цитатах, терминах, названиях, формулах и

заголовках;

• цветной текст вне таблиц/заголовков - это уже покрывается существующей

гигиеной цвета и подсветки.

Безопасные правки:

• нормализация интервалов/отступов только для групп абзацев, которые уверенно

похожи по стилю и роли;

• снятие случайного начертания только при строгом локальном паттерне.

Секции, страницы и ориентация

Проверять:

• разные поля в секциях без видимой причины;
• альбомные страницы с обычным текстом без широкой таблицы или рисунка;
• разорванные таблицы, где части попали в разные ориентации или поля;
• таблицы в портретной секции, если их ширина явно требует альбомной;
• таблицы шириной 200 мм и меньше в альбомной ориентации, когда вокруг нет

другой причины для landscape;

• съехавшие колонтитулы;
• разные настройки нумерации страниц, особенно если нумерация уезжает на

первый лист;

• пустые и почти пустые страницы.

Не считать аномалией:

• смешение книжной и альбомной ориентации само по себе. Это нормально, если

альбомная ориентация нужна широкой таблице.

Безопасные правки:

• только отчёт по секциям и ориентации на первом этапе;
• автоисправление полей/ориентации разрешать позже, отдельным чекбоксом и

только в копиях.

Таблицы

Проверять:

• таблица шире полезной области страницы или обрезана;
• таблица не отцентрирована/не вписана в рамках текущей ориентации;
• аномальная ширина таблицы относительно ориентации страницы;
• разные толщины границ внутри одной таблицы;
• разные поля ячеек внутри одной таблицы;
• смесь шрифтов и кеглей внутри одной таблицы;
• слишком плотные ячейки и аномальная балансировка колонок;
• полностью пустые строки или полностью пустые колонки;
• фиксированная высота строк, особенно вместе с отключённым переносом текста;
• отсутствие повторяемой шапки у многостраничной таблицы;
• подозрительные объединения ячеек.

Подозрительные объединения ячеек определять только эвристически:

• единичное объединение в теле таблицы, когда рядом все строки имеют обычную

сетку;

• объединение, которое ломает стабильное число колонок в блоке однотипных

строк;

• вертикальное объединение с пустым продолжением, из-за которого текст

визуально относится не к той строке;

• объединённая ячейка в середине числовых/перечневых данных без похожих

объединений выше или ниже;

• объединение в шапке не считать ошибкой по умолчанию.

Правило повторяемой шапки:

• если есть строки перед шапкой с номерами колонок, обычно повторяются только

они;

• если строк перед шапкой нет, повторяется распознанная шапка;
• не включать весь большой заголовочный блок в повторяемую шапку без явного

сигнала.

Безопасные правки:

• унификация границ;
• унификация полей ячеек;
• снятие фиксированной высоты строк;
• включение переноса текста;
• повтор шапки по строгой эвристике;
• балансировка ширин только через уже существующую таблицную логику DocFlow.

Подписи таблиц и рисунков

Проверять:

• пропуски в нумерации Таблица N и Рисунок N;
• дубли номеров;
• реверсивность номеров, когда номер уменьшается без перехода в новый

логический раздел;

• лишние, недостаточные или нестабильные точки в нумерации;
• пропущенные логические номера;
• подпись далеко от объекта;
• подпись и объект на разных страницах;
• таблица без подписи среди подписанных таблиц;
• рисунок без подписи среди подписанных рисунков;
• подпись после таблицы, когда в документе принято до таблицы, или наоборот.

Нумерация разделов вида 1. -> 1.1. -> 1.1.1, 1.1.2 -> 2. считается нормальной. Ошибка - не сама иерархия, а логический пропуск, обратный ход, дубль, нестабильный формат или несогласованность с соседними объектами.

Безопасные правки:

• отчёт на первом этапе;
• автокоррекция номеров только после отдельного подтверждения, потому что

номера могут быть связаны с полями SEQ и перекрёстными ссылками.

Оглавление, поля и ссылки

Проверять:

• в оглавлении есть заголовки, которых уже нет в документе;
• заголовки документа не попали в оглавление;
• поля REF, SEQ, PAGE, PAGEREF имеют подозрительно несовпадающий

отображаемый текст;

• битые ссылки;
• битые или осиротевшие закладки.

Осторожно:

• признак «оглавление устарело» не должен быть громким FAIL без доказательства. Лучше

показывать как warning с доказательством: расхождение заголовков, страниц или ссылок.

Безопасные правки:

• отчёт и рекомендация обновить поля в Word;
• автообновление полей через Word COM возможно отдельной командой, если Word

установлен и пользователь выбрал такой режим.

Нумерация и списки

Проверять:

• сброс нумерации не там;
• пропуски пунктов;
• ручные номера вместо встроенной нумерации списков Word;
• разные стили списков в одном логическом блоке;
• висячие подпункты без родителя;
• лишние или недостающие точки в номерах;
• обратный ход номера внутри одного списка.

Безопасные правки:

• отчёт по умолчанию;
• автоисправление только для очевидных ручных номеров и только после

отдельного чекбокса.

Разрывы, пустоты и привязка объектов

Проверять:

• пустые страницы;
• почти пустые страницы: один знак препинания - аномалия, одно слово - вопрос;
• две и более пустые строки подряд;
• разрывы страниц/секций в странных местах;
• заголовок в конце страницы без последующего содержимого;
• таблица оторвана от вводного абзаца или подписи;
• рисунок оторван от подписи.

Не считать аномалией:

• длинные абзацы сами по себе. В документах бывают цитаты, выгрузки, координаты

и технические фрагменты, где длина абзаца нормальна.

Безопасные правки:

• удаление лишних пустых абзацев по строгому правилу;
• перенос заголовка вместе со следующим блоком через keepWithNext, если это

не ломает секции;

• осторожная чистка разрывов только в режиме корректировки.

Матрица автокоррекции

UI-рекомендации

• В Проверка аномалий DOCX использовать тёмно-зелёный кант: это режим без

изменения текста и структуры.

• В Корректировка аномалий DOCX использовать тёмно-оранжевый кант: это режим

вмешательства в копию документа.

• Все сложные термины должны иметь подсказку: разрыв секции, `Строки перед

шапкой, фиксированная высота, PAGEREF, SEQ, keepWithNext, встроенная нумерация Word, верхний колонтитул, нижний колонтитул`.

• В видимой форме показывать короткие группы параметров, а подробные объяснения

переносить в подсказки.

Приоритет реализации

1. Read-only отчёт: секции, ориентация, поля, таблицы, пустоты, подписи,

нумерация таблиц/рисунков.

1. Табличные безопасные правки: границы, поля ячеек, фиксированная высота, перенос,

повторяемая шапка по строгой эвристике.

1. Абзацные безопасные правки: две пустые строки, похожие абзацы с разными

интервалами/отступами.

1. Ссылки/оглавление/поля Word: отчёт и отдельная интеграция с Word COM.