Харнесс eom_check.py: вёрстки и питфоллы

Механическую часть (шаг 1 и подготовка шага 2) делает скрипт, а не руками:

python scripts/eom_check.py "том.pdf" -o "<папка>" --cipher "МП-18/1604-ИОС1.1"

Даёт report.md (протокол), ntd_task.md (задание для базы), rows.csv, pages.json. Ловит: чужие штампы, пропуски/дубли таблиц, арифметику нагрузок, выпавшие из обоих режимов строки, Sр=√(Pр²+Qр²), cos/tg, перечень НТД с дефектами обозначений.

Обкатан на трёх комплектах, три разные вёрстки:

Уроки третьего комплекта (вёрстка C)

• Таблица нагрузок может быть ПУСТЫМ БЛАНКОМ. Найдены заголовок, 15 пронумерованных строк, «Итого» — и ни одного числа. Текст при этом ссылается: «расчёт представлен в таблице 1». Скрипт обязан сообщать «таблица найдена и НЕ ЗАПОЛНЕНА» как критическое замечание, а не сваливаться в «таблицы не распознаны». Это разные вещи: первое — дефект тома, второе — дефект парсера.
• Данные могут лежать не в таблице нагрузок. В RGZ числа по вводам нашлись в таблице «Расчёт мощности УКРМ». Искать числовые строки нагрузок по всему тому, а не только после заголовка «нагрузки».
• ИТОГ МОЖЕТ БЫТЬ МЕНЬШЕ СУММЫ СТРОК — это признак ошибки, а не нормы. В RGZ ΣРр по строкам 1793,1 против итога 976,5 (на 817 кВт меньше). Сумма нагрузок по вводам не может быть меньше каждого слагаемого. При этом √(P²+Q²) итоговой строки сходится идеально — значит итог посчитан верно, но собран не из показанных строк.
• Вёрсток минимум три, универсального парсера не будет. Нужен режим «не распознал — покажи что нашёл», чтобы инженер доразобрал вручную: карта страниц, кандидаты таблиц, первая строка каждой. Не притворяться, что разобрал.
• Повторяющиеся дефекты между комплектами одного проектировщика — проверять первыми. У ГЕНПРОЕКТ в трёх томах подряд: ГОСТ Р 21.101-2020 (отменён 01.04.2026), п.8.23 СП 256 как «потери напряжения» (в действительности — про номинальные 220/380 В), СП 6.13130.2021 (отменён 29.06.2026). Это шаблон ПЗ, а не случайность: увидел автора — смотри эти три места в первую очередь.

Две вёрстки таблиц нагрузок — обе поддержаны

Порядок колонок и наличие Iр определяются по строке-шапке, а НЕ по всему тексту.

Питфоллы харнесса (все проверены болью)

• Заголовок таблицы рвётся на две строки: «Таблица 2 Итоговый расчёт… Режим» + «“Зима”». Сезон искать в следующей строке (pending_season), иначе таблица получает метку ? и сравнение сезонов не работает.
• Таблица нагрузок не кончается сама. После итогов идут таблицы учёта с теми же номерами — без явного сброса current строки «2 ГРЩ...» прилипают к зимней таблице и суммы врут. Сбрасывать на любой другой заголовок «Таблица N».
• «Режим Пожар» в ОБОИХ таблицах — это норма, а не потеря. Клапаны ДУ и противодымная вентиляция считаются отдельным пожарным режимом. Отделять их от настоящих потерь (свой сезон в одной таблице + пожар в другой), иначе в отчёт уйдут ложные 171 кВт.
• Шифр сравнивать по СКЕЛЕТУ (только буквы и цифры). МП-18/1604-ИОС1.1 и МП-181604-ИОС1.1 — один объект с потерянным разделителем, а не два разных. Сравнение строкой дало 26 ложных «чужих листов» вместо 3 настоящих. Дефект «181604» — отдельное замечание по оформлению ГОСТ Р 21.101.
• Номера НТД рвутся пробелом в любом месте: ГОСТ 3214 4-2013, ГОСТ 28249- 93, СНиП 23 -05-95. Искать по плоскому тексту (переносы → пробел) шаблоном с допуском пробелов ВНУТРИ номера, склеивать, и только потом классифицировать. Разбор сразу шаблоном «цифры-дефис-цифры» отрезает хвост и рождает ложные «без года». При склейке удалять ТОЛЬКО пробелы: снести дефисы/точки — превратить ГОСТ 10434-82 в ГОСТ 1043482.
• Один документ в разных написаниях (СП 256.1325800.2016 / СП256.1325800.2016) объединять по нормализованному ключу, иначе задание в базу пухнет дублями.
• Рр/Qр/Sр брать С КОНЦА строки, а не по индексу. Хвост всегда заканчивается одинаково: …, Рр, Qр, Sр, [Iр]. Фиксированный индекс уезжает на единицу, как только в шапке появляется лишняя колонка (Кснм). Сдвиг: с Iр — 4/3/2, без Iр — 3/2/1.
• Флаг «есть Iр» — только из шапки самой таблицы нагрузок. Поиск по всему тому даёт ложное срабатывание (Iр встречается в другом тексте) и сдвигает всю арифметику.
• Статус строки в вёрстке B задаётся БЛОКОМ, а не словом в названии. «Лифт пожарных подразделений» содержит «пожар», но это нагрузка нормы — 55 кВт выпадали из суммы, давая ложное расхождение ровно 54,9 кВт.
• Строки «ИТ О ГО :» и подвиды («1-комнатные 73 11») — не нагрузки. Первая — промежуточный итог (квартиры, гигантский Ру ломает сверку), вторые — раскладка состава. Обе отсекать по регулярке.
• Слово в шифре ломается пробелом: «ВВО Д 1» вместо «ВВОД 1». Регулярка ^В\s*В\s*О?\s*Д?\s*(\d) с якорем конца строки (иначе ловит цифры из таблиц учёта).
• К шифру в плотном штампе A3 приклеивается имя щита (ГРЩШРКП-ГП-ПИР-4-П-ИОС1.1). Сравнивать по ВХОЖДЕНИЮ скелета (свой ⊂ шифр), а не равенством; наивная обрезка «до первого дефиса» срезает половину настоящего шифра и даёт 50 ложных чужих листов. Настоящий чужой объект — тот, где скелет НЕ содержит наш.
• Пустая таблица важнее нераспознанной. Если в таблице есть заголовок и нумерованные строки, но нет чисел — это заполненный бланк без данных, критическое замечание. Отличать от «текстового слоя нет» (тогда нужен OCR) и от «формат незнакомый».
• Сумма строк ≠ «Итого», и это нормально. В вёрстке B «Итого по вводу» включает подытог «ИТ О ГО» (квартиры) — его надо ДОБАВИТЬ к сумме строк. В вёрстке A квартиры сидят отдельной строкой и уже в Σ — их надо ВЫЧЕСТЬ. Коррекцию применять только если она реально уменьшает расхождение, иначе пожарные блоки дают ложный остаток.

Балансовые проверки на двух реальных томах дали 24/24 контрольных совпадений (17 на вёрстке A + 7 на вёрстке B).