Function fetch_single_offset

mainprogress/pdf_metadata_extractor.py:508–559

调用 LLM 识别单页的页码偏移量

(client: AsyncOpenAI, model: str, page_num: int, b64_img: str)

当前图片的 PDF 物理页码是：{page_num}

【示例 1】
物理页码：25
图片中底部写着："10"
计算：25 - 10 = 15
输出：15

【示例 2】
物理页码：12
图片中顶部写着："- 2 -"
计算：12 - 2 = 10
输出：10

【示例 3】
物理页码：100
图片中没有明确的阿拉伯数字页码
输出：Error

【错误示例】
物理页码：25
图片中顶部写着："20"
计算：25 - 20 = -5
输出：-5

请仔细观察图片，找到印刷页码，并严格按照上述格式，仅输出计算后的正文偏移量数字。不要输出任何解释。"""
    try:
        completion = await client.chat.completions.create(
            model=model,
            messages=[
                {
                    "role": "user",
                    "content": [
                        {"type": "text", "text": prompt},
                        {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64_img}"}},
                    ]
                }
            ],
            extra_body={"enable_thinking": False},
            temperature=0,
        )
        return completion.choices[0].message.content.strip()
    except Exception as e:
        error_msg = f"获取第 {page_num} 页偏移量失败：{e}"
        logger.error(error_msg)
        write_log(error_msg)
        return "Error"

async def calculate_offset(pdf_path: str, client: AsyncOpenAI, model: str, initial_data_dir: str) -> int:
    """
    自动计算正文偏移量。
    逻辑优化：
    1. 先随机取 5 页。
    2. 统计众数，若众数数量 < 4，则再随机取 5 页（不重复），共 10 页一起统计。
    3. 将所有过程的图片、原始响应、解析结果保存到 initial_data/offset_log.json。
    """
    log_entries = []