Parse Review Workbench

Parse Review Workbench 是一个本地文档复核工具，用于对比“源文档”和“解析后的 Markdown”。

它只负责复核，不包含 PDF/DOCX 解析、OCR、LLM 或批处理流水线。

运行界面

功能

• 左侧预览源 PDF / Office 文档
• 右侧编辑或预览解析后的 Markdown
• 支持目录跳转
• 支持 QA 风险提示跳转
• 支持人工标注解析问题
• 标注结果保存为 jsonl 和 md
• 支持源文档目录和解析结果目录分开选择
• 支持严格同名匹配和前缀匹配

目录关联规则

启动后在页面顶部选择两个目录：

• 源文档目录：存放 PDF / DOCX / DOC / PPTX / XLSX 等源文件
• 解析结果目录：存放解析后的 Markdown

工具会递归扫描两个目录，然后按文件名进行关联。

严格同名

源文档 stem 必须等于 Markdown stem。

source/ABC.pdf
parsed/ABC.md

可以关联。

source/ABC.pdf
parsed/ABC_agentic.md

不会关联。

前缀匹配

允许 Markdown 文件名以源文档名作为前缀。

source/ABC.pdf
parsed/ABC.md
parsed/ABC_agentic.md
parsed/ABC_review.md

如果一个源文档匹配到多个 Markdown，工具会计入冲突，不会自动选择其中一个，避免误配。

解析结果目录结构

最小可用结构：

parsed/
  ABC.md

推荐结构：

parsed/
  ABC.md
  ABC_parse_report.json
  ABC_assets/

如果存在 *_parse_report.json，工具会读取 QA、页数、图片、风险提示等信息。

如果没有解析报告，工具仍然可以打开源文档和 Markdown，并基于 Markdown 做基础统计。

快速启动

1. 安装依赖

python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt

2. 启动工作台

python launcher.py

打开：

http://127.0.0.1:8765/

进入页面后选择：

• 源文档目录
• 解析结果目录
• 匹配方式

然后点击“扫描”。

启动时指定默认目录

python launcher.py `
  --workspace "D:\example_workspace" `
  --source-dir "D:\example_workspace\source" `
  --parsed-outputs "D:\example_workspace\parsed" `
  --match-mode prefix

Windows 脚本

.\start_review_site.ps1 `
  -Workspace "D:\example_workspace" `
  -SourceDir "D:\example_workspace\source" `
  -ParsedOutputs "D:\example_workspace\parsed" `
  -MatchMode prefix

也可以双击：

start_review_site.bat

打包为 EXE

.\build_exe.ps1

输出：

dist\ParseReviewWorkbench.exe

运行 EXE 时可以用环境变量指定默认目录：

$env:PARSE_REVIEW_WORKSPACE="D:\example_workspace"
$env:PARSE_REVIEW_SOURCE_DIR="D:\example_workspace\source"
$env:PARSE_REVIEW_OUTPUTS="D:\example_workspace\parsed"
$env:PARSE_REVIEW_MATCH_MODE="prefix"
.\dist\ParseReviewWorkbench.exe

环境变量

变量	说明	默认值
PARSE_REVIEW_WORKSPACE	工作区根目录	当前目录
PARSE_REVIEW_SOURCE_DIR	默认源文档目录	<workspace>
PARSE_REVIEW_OUTPUTS	默认解析结果目录	<workspace>/parsed_outputs
PARSE_REVIEW_MATCH_MODE	匹配模式：strict / prefix	strict
PARSE_REVIEW_HOST	服务地址	127.0.0.1
PARSE_REVIEW_PORT	服务端口	8765

目录跳转

工具优先读取 PDF 自带目录。

如果 PDF 没有目录，会尝试从 Markdown 标题或目录文本中推断。

点击目录后会：

• 跳到左侧 PDF 对应页
• 跳到右侧 Markdown 对应位置
• 自动收起目录面板

QA 风险提示

右侧 QA 面板会展示解析报告中的风险，例如：

• 缺图
• 低置信页面
• OCR 参与页面
• 修订痕迹处理异常

点击风险项会同步跳转到 PDF 页和 Markdown 位置。

人工标注

当发现解析结果有问题时，可以在右侧“解析问题标注”面板保存标注。

标注会写入当前解析结果目录：

review_annotations.jsonl
review_annotations.md

标签包括：

• 漏文本
• 表格错误
• 顺序错乱
• 乱码
• 图片缺失
• OCR 错误
• 页眉页脚干扰
• 修订痕迹错误
• 其他

jsonl 供程序或 AI 分析，md 供人工查看。

DOCX 预览

浏览器不能直接内嵌 DOCX。

工具会尝试调用 LibreOffice 将 DOCX 转换成 PDF 后预览。

如果本机没有 LibreOffice，DOCX 会提供下载入口，但无法内嵌预览。