rename the folder

benchmark @ 56d6cddf

-Subproject commit 56d6cddf1c118900e44ac12c36bc95de108cb368

requirements.txt

@@ -11,7 +11,6 @@ pycld2>=0.41
 regex>=2023.12.25
 spacy>=3.7.4
 termcolor>=2.4.0
-scikit-learn
 wordninja>=2.0.0
 en_core_web_sm @ https://github.com/explosion/spacy-models/releases/download/en_core_web_sm-3.7.1/en_core_web_sm-3.7.1-py3-none-any.whl
 zh_core_web_sm @ https://github.com/explosion/spacy-models/releases/download/zh_core_web_sm-3.7.0/zh_core_web_sm-3.7.0-py3-none-any.whl

tools/ocr_badcase.py

+import json
+import pandas as pd
+import numpy as np
+from nltk.translate.bleu_score import sentence_bleu, SmoothingFunction
+import argparse
+import os
+from sklearn.metrics import classification_report
+from sklearn import metrics
+from datetime import datetime
+import boto3
+from botocore.exceptions import NoCredentialsError, ClientError
+
+
+
+
+def process_equations_and_blocks(json_data, is_standard):
+    """
+    处理JSON数据，提取公式、文本块、图片块和表格块的边界框和文本信息。
+    
+    参数:
+    - json_data: 列表，包含标准文档或测试文档的JSON数据。
+    - is_standard: 布尔值，指示处理的数据是否为标准文档。
+    
+    返回:
+    - 字典，包含处理后的数据。
+    """
+    equations_bboxs = {"inline": [], "interline": []}
+    equations_texts = {"inline": [], "interline": []}
+    dropped_bboxs = {"text": [], "image": [], "table": []}
+    dropped_tags = {"text": []}
+    para_texts = []
+    para_nums = []
+
+    for i in json_data:
+        mid_json = pd.DataFrame(i).iloc[:,:-1] if is_standard else pd.DataFrame(i)
+        page_data = {
+            "equations_bboxs_list": {"inline": [], "interline": []},
+            "equations_texts_list": {"inline": [], "interline": []},
+            "dropped_bboxs_list": {"text": [], "image": [], "table": []},
+            "dropped_tags_list": {"text": []},
+            "para_texts_list": [],
+            "para_nums_list": []
+        }
+
+        for eq_type in ["inline", "interline"]:
+            for equations in mid_json.loc[f"{eq_type}_equations", :]:
+                bboxs = [eq['bbox'] for eq in equations]
+                texts = [eq.get('latex_text' if is_standard else 'content', '') for eq in equations]
+                page_data["equations_bboxs_list"][eq_type].append(bboxs)
+                page_data["equations_texts_list"][eq_type].append(texts)
+        
+        equations_bboxs["inline"].append(page_data["equations_bboxs_list"]["inline"])
+        equations_bboxs["interline"].append(page_data["equations_bboxs_list"]["interline"])
+        equations_texts["inline"].append(page_data["equations_texts_list"]["inline"])
+        equations_texts["interline"].append(page_data["equations_texts_list"]["interline"])
+
+
+        # 提取丢弃的文本块信息
+        for dropped_text_blocks in mid_json.loc['droped_text_block',:]:
+            bboxs, tags = [], []
+            for block in dropped_text_blocks:
+                bboxs.append(block['bbox'])
+                tags.append(block.get('tag', 'None'))
+            
+            page_data["dropped_bboxs_list"]["text"].append(bboxs)
+            page_data["dropped_tags_list"]["text"].append(tags)
+        
+        dropped_bboxs["text"].append(page_data["dropped_bboxs_list"]["text"])
+        dropped_tags["text"].append(page_data["dropped_tags_list"]["text"])
+
+
+      
+        # 同时处理删除的图片块和表格块
+        for block_type in ['image', 'table']:
+            # page_blocks_list = []
+            for blocks in mid_json.loc[f'droped_{block_type}_block', :]:
+                # 如果是标准数据，直接添加整个块的列表
+                if is_standard:
+                    page_data["dropped_bboxs_list"][block_type].append(blocks)
+                # 如果是测试数据，检查列表是否非空，并提取每个块的边界框
+                else:
+                    page_blocks = [block['bbox'] for block in blocks] if blocks else []
+                    page_data["dropped_bboxs_list"][block_type].append(page_blocks)
+            
+        # 将当前页面的块边界框列表添加到结果字典中
+        dropped_bboxs['image'].append(page_data["dropped_bboxs_list"]['image'])
+        dropped_bboxs['table'].append(page_data["dropped_bboxs_list"]['table'])
+        
+        
+        # 处理段落
+        for para_blocks in mid_json.loc['para_blocks', :]:
+            page_data["para_nums_list"].append(len(para_blocks))  # 计算段落数
+
+            for para_block in para_blocks:
+                if is_standard:
+                    # 标准数据直接提取文本
+                    page_data["para_texts_list"].append(para_block['text'])
+                else:
+                    # 测试数据可能需要检查'content'是否存在
+                    if 'spans' in para_block[0] and para_block[0]['spans'][0]['type'] == 'text':
+                        page_data["para_texts_list"].append(para_block[0]['spans'][0].get('content', ''))
+            
+            
+        
+        para_texts.append(page_data["para_texts_list"])
+        para_nums.append(page_data["para_nums_list"])
+
+    return {
+        "equations_bboxs": equations_bboxs,
+        "equations_texts": equations_texts,
+        "dropped_bboxs": dropped_bboxs,
+        "dropped_tags": dropped_tags,
+        "para_texts": para_texts,
+        "para_nums": para_nums
+    }
+
+
+
+
+
+
+
+def bbox_match_indicator_general(test_bboxs_list, standard_bboxs_list):
+    """
+    计算边界框匹配指标，支持掉落的表格、图像和文本块。
+    此版本的函数专注于计算基于边界框的匹配指标，而不涉及标签匹配逻辑。
+    
+    参数:
+    - test_bboxs: 测试集的边界框列表，按页面组织。
+    - standard_bboxs: 标准集的边界框列表，按页面组织。
+
+    返回:
+    - 一个字典，包含准确度、精确度、召回率和F1分数。
+    """
+        # 如果两个列表都完全为空，返回0值指标
+    if all(len(page) == 0 for page in test_bboxs_list) and all(len(page) == 0 for page in standard_bboxs_list):
+        return {'accuracy': 0, 'precision': 0, 'recall': 0, 'f1_score': 0}
+    
+
+    matched_bbox = []
+    matched_standard_bbox = []
+
+    for test_page, standard_page in zip(test_bboxs_list, standard_bboxs_list):
+        test_page_bbox, standard_page_bbox = [], []
+        for standard_bbox in standard_page:
+            if len(standard_bbox) != 4:
+                continue
+            matched = False
+            for test_bbox in test_page:
+                if len(test_bbox) == 4 and bbox_offset(standard_bbox, test_bbox):
+                    matched = True
+                    break
+            test_page_bbox.append(int(matched))
+            standard_page_bbox.append(1)
+
+        # 后处理以处理多删情况，保持原逻辑不变
+        diff_num = len(test_page) + test_page_bbox.count(0) - len(standard_page)
+        if diff_num > 0:
+            test_page_bbox.extend([1] * diff_num)
+            standard_page_bbox.extend([0] * diff_num)
+
+        matched_bbox.extend(test_page_bbox)
+        matched_standard_bbox.extend(standard_page_bbox)
+
+    block_report = {
+        'accuracy': metrics.accuracy_score(matched_standard_bbox, matched_bbox),
+        'precision': metrics.precision_score(matched_standard_bbox, matched_bbox, zero_division=0),
+        'recall': metrics.recall_score(matched_standard_bbox, matched_bbox, zero_division=0),
+        'f1_score': metrics.f1_score(matched_standard_bbox, matched_bbox, zero_division=0)
+    }
+
+    return block_report
+
+
+
+
+
+
+def bbox_offset(b_t, b_s):
+    """
+    判断两个边界框（bounding box）之间的重叠程度是否符合给定的标准。
+    
+    参数:
+    - b_t: 测试文档中的边界框（bbox），格式为(x1, y1, x2, y2)，
+           其中(x1, y1)是左上角的坐标，(x2, y2)是右下角的坐标。
+    - b_s: 标准文档中的边界框（bbox），格式同上。
+    
+    返回:
+    - True: 如果两个边界框的重叠面积与两个边界框合计面积的差的比例超过0.95，
+            表明它们足够接近。
+    - False: 否则，表示两个边界框不足够接近。
+    
+    注意:
+    - 函数首先计算两个bbox的交集区域，如果这个区域的面积相对于两个bbox的面积差非常大，
+      则认为这两个bbox足够接近。
+    - 如果交集区域的计算结果导致无效区域（比如宽度或高度为负值），或者分母为0（即两个bbox完全不重叠），
+      则函数会返回False。
+    """
+
+    # 分别提取两个bbox的坐标
+    x1_t, y1_t, x2_t, y2_t = b_t
+    x1_s, y1_s, x2_s, y2_s = b_s
+  
+    # 计算两个bbox交集区域的坐标
+    x1 = max(x1_t, x1_s)
+    x2 = min(x2_t, x2_s)
+    y1 = max(y1_t, y1_s)
+    y2 = min(y2_t, y2_s)
+    
+    # 如果计算出的交集区域有效，则计算其面积
+    if x2 > x1 and y2 > y1:
+        area_overlap = (x2 - x1) * (y2 - y1)
+    else:
+        # 交集区域无效，视为无重叠
+        area_overlap = 0
+
+    # 计算两个bbox的总面积，减去重叠部分避免重复计算
+    area_t = (x2_t - x1_t) * (y2_t - y1_t) + (x2_s - x1_s) * (y2_s - y1_s) - area_overlap
+
+    # 判断重叠面积是否符合标准
+    
+    if area_t-area_overlap==0 or area_overlap/area_t>0.95:
+        return True
+    else:
+        return False
+    
+
+def Levenshtein_Distance(str1, str2):
+    """
+    计算并返回两个字符串之间的Levenshtein编辑距离。
+    
+    参数:
+    - str1: 字符串，第一个比较字符串。
+    - str2: 字符串，第二个比较字符串。
+    
+    返回:
+    - int: str1和str2之间的Levenshtein距离。
+    
+    方法:
+    - 使用动态规划构建一个矩阵(matrix)，其中matrix[i][j]表示str1的前i个字符和str2的前j个字符之间的Levenshtein距离。
+    - 矩阵的初始值设定为边界情况，即一个字符串与空字符串之间的距离。
+    - 遍历矩阵填充每个格子的值，根据字符是否相等选择插入、删除或替换操作的最小代价。
+    """
+    # 初始化矩阵，大小为(len(str1)+1) x (len(str2)+1)，边界情况下的距离为i和j
+    matrix = [[i + j for j in range(len(str2) + 1)] for i in range(len(str1) + 1)]
+
+    # 遍历str1和str2的每个字符，更新矩阵中的值
+    for i in range(1, len(str1) + 1):
+        for j in range(1, len(str2) + 1):
+            # 如果当前字符相等，替换代价为0；否则为1
+            d = 0 if (str1[i - 1] == str2[j - 1]) else 1
+            # 更新当前位置的值为从str1[i]转换到str2[j]的最小操作数
+            matrix[i][j] = min(matrix[i - 1][j] + 1,  # 删除操作
+                               matrix[i][j - 1] + 1,  # 插入操作
+                               matrix[i - 1][j - 1] + d)  # 替换操作
+    # 返回右下角的值，即str1和str2之间的Levenshtein距离
+    return matrix[len(str1)][len(str2)]
+
+
+def equations_indicator(test_equations_bboxs, standard_equations_bboxs, test_equations, standard_equations):
+    """
+    根据边界框匹配的方程计算编辑距离和BLEU分数。
+    
+    参数:
+    - test_equations_bboxs: 测试方程的边界框列表。
+    - standard_equations_bboxs: 标准方程的边界框列表。
+    - test_equations: 测试方程的列表。
+    - standard_equations: 标准方程的列表。
+    
+    返回:
+    - 一个元组，包含匹配方程的平均Levenshtein编辑距离和BLEU分数。
+    """
+    
+    # 初始化匹配方程列表
+    test_match_equations = []
+    standard_match_equations = []
+
+    # 匹配方程基于边界框重叠
+    for index, (test_bbox, standard_bbox) in enumerate(zip(test_equations_bboxs, standard_equations_bboxs)):
+        if not (test_bbox and standard_bbox):  # 跳过任一空列表
+            continue
+        for i, sb in enumerate(standard_bbox):
+            for j, tb in enumerate(test_bbox):
+                if bbox_offset(sb, tb):
+                    standard_match_equations.append(standard_equations[index][i])
+                    test_match_equations.append(test_equations[index][j])
+                    break  # 找到第一个匹配后即跳出循环
+
+    # 使用Levenshtein距离和BLEU分数计算编辑距离
+    dis = [Levenshtein_Distance(a, b) for a, b in zip(test_match_equations, standard_match_equations) if a and b]
+    # 应用平滑函数计算BLEU分数
+    sm_func = SmoothingFunction().method1
+    bleu = [sentence_bleu([a.split()], b.split(), smoothing_function=sm_func) for a, b in zip(test_match_equations, standard_match_equations) if a and b]
+
+    # 计算平均编辑距离和BLEU分数，处理空列表情况
+    equations_edit = np.mean(dis) if dis else float('0.0')
+    equations_bleu = np.mean(bleu) if bleu else float('0.0')
+
+    return equations_edit, equations_bleu
+
+
+
+def bbox_match_indicator_general(test_bboxs_list, standard_bboxs_list):
+    """
+    计算边界框匹配指标，支持掉落的表格、图像和文本块。
+    此版本的函数专注于计算基于边界框的匹配指标，而不涉及标签匹配逻辑。
+    
+    参数:
+    - test_bboxs: 测试集的边界框列表，按页面组织。
+    - standard_bboxs: 标准集的边界框列表，按页面组织。
+
+    返回:
+    - 一个字典，包含准确度、精确度、召回率和F1分数。
+    """
+        # 如果两个列表都完全为空，返回0值指标
+    if all(len(page) == 0 for page in test_bboxs_list) and all(len(page) == 0 for page in standard_bboxs_list):
+        return {'accuracy': 0, 'precision': 0, 'recall': 0, 'f1_score': 0}
+    
+
+    matched_bbox = []
+    matched_standard_bbox = []
+
+    for test_page, standard_page in zip(test_bboxs_list, standard_bboxs_list):
+        test_page_bbox, standard_page_bbox = [], []
+        for standard_bbox in standard_page:
+            if len(standard_bbox) != 4:
+                continue
+            matched = False
+            for test_bbox in test_page:
+                if len(test_bbox) == 4 and bbox_offset(standard_bbox, test_bbox):
+                    matched = True
+                    break
+            test_page_bbox.append(int(matched))
+            standard_page_bbox.append(1)
+
+        # 后处理以处理多删情况，保持原逻辑不变
+        diff_num = len(test_page) + test_page_bbox.count(0) - len(standard_page)
+        if diff_num > 0:
+            test_page_bbox.extend([1] * diff_num)
+            standard_page_bbox.extend([0] * diff_num)
+
+        matched_bbox.extend(test_page_bbox)
+        matched_standard_bbox.extend(standard_page_bbox)
+
+    block_report = {
+        'accuracy': metrics.accuracy_score(matched_standard_bbox, matched_bbox),
+        'precision': metrics.precision_score(matched_standard_bbox, matched_bbox, zero_division=0),
+        'recall': metrics.recall_score(matched_standard_bbox, matched_bbox, zero_division=0),
+        'f1_score': metrics.f1_score(matched_standard_bbox, matched_bbox, zero_division=0)
+    }
+
+    return block_report
+
+
+def bbox_match_indicator_dropped_text_block(test_dropped_text_bboxs, standard_dropped_text_bboxs, standard_dropped_text_tag, test_dropped_text_tag):
+    """
+    计算丢弃文本块的边界框匹配相关指标，包括准确率、精确率、召回率和F1分数，
+    同时也计算文本块标签的匹配指标。
+
+    参数:
+    - test_dropped_text_bboxs: 测试集的丢弃文本块边界框列表
+    - standard_dropped_text_bboxs: 标准集的丢弃文本块边界框列表
+    - standard_dropped_text_tag: 标准集的丢弃文本块标签列表
+    - test_dropped_text_tag: 测试集的丢弃文本块标签列表
+
+    返回:
+    - 一个包含边界框匹配指标和文本块标签匹配指标的元组
+    """
+    test_text_bbox, standard_text_bbox = [], []
+    test_tag, standard_tag = [], []
+
+    for index, (test_page, standard_page) in enumerate(zip(test_dropped_text_bboxs, standard_dropped_text_bboxs)):
+        # 初始化每个页面的结果列表
+        test_page_tag, standard_page_tag = [], []
+        test_page_bbox, standard_page_bbox = [], []
+
+        for i, standard_bbox in enumerate(standard_page):
+            matched = False
+            for j, test_bbox in enumerate(test_page):
+                if bbox_offset(standard_bbox, test_bbox):
+                    # 匹配成功，记录标签和边界框匹配结果
+                    matched = True
+                    test_page_tag.append(test_dropped_text_tag[index][j])
+                    test_page_bbox.append(1)
+                    break
+
+            if not matched:
+                # 未匹配，记录'None'和边界框未匹配结果
+                test_page_tag.append('None')
+                test_page_bbox.append(0)
+
+            # 标准边界框和标签总是被视为匹配的
+            standard_page_tag.append(standard_dropped_text_tag[index][i])
+            standard_page_bbox.append(1)
+
+        # 处理可能的多删情况
+        handle_multi_deletion(test_page, test_page_tag, test_page_bbox, standard_page_tag, standard_page_bbox)
+
+        # 合并当前页面的结果到整体结果中
+        test_tag.extend(test_page_tag)
+        standard_tag.extend(standard_page_tag)
+        test_text_bbox.extend(test_page_bbox)
+        standard_text_bbox.extend(standard_page_bbox)
+
+    # 计算和返回匹配指标
+    text_block_report = {
+        'accuracy': metrics.accuracy_score(standard_text_bbox, test_text_bbox),
+        'precision': metrics.precision_score(standard_text_bbox, test_text_bbox, zero_division=0),
+        'recall': metrics.recall_score(standard_text_bbox, test_text_bbox, zero_division=0),
+        'f1_score': metrics.f1_score(standard_text_bbox, test_text_bbox, zero_division=0)
+    }
+
+    # 计算和返回标签匹配指标
+    text_block_tag_report = classification_report(y_true=standard_tag, y_pred=test_tag, labels=list(set(standard_tag) - {'None'}), output_dict=True, zero_division=0)
+
+    return text_block_report, text_block_tag_report
+
+def handle_multi_deletion(test_page, test_page_tag, test_page_bbox, standard_page_tag, standard_page_bbox):
+    """
+    处理多删情况，即测试页面的边界框或标签数量多于标准页面。
+    """
+    excess_count = len(test_page) + test_page_bbox.count(0) - len(standard_page_tag)
+    if excess_count > 0:
+        # 对于多出的项，将它们视为正确匹配的边界框，但标签视为'None'
+        test_page_bbox.extend([1] * excess_count)
+        standard_page_bbox.extend([0] * excess_count)
+        test_page_tag.extend(['None'] * excess_count)
+        standard_page_tag.extend(['None'] * excess_count)
+
+
+
+def check_files_exist(standard_file, test_file):
+    """
+    检查文件是否存在
+    """
+    if not os.path.isfile(standard_file) or not os.path.isfile(test_file):
+        raise FileNotFoundError("One or both of the required JSON files are missing.")
+
+
+def read_json_files(standard_file, test_file):
+    """
+    读取JSON文件内容
+    """
+    with open(standard_file, 'r', encoding='utf-8') as sf:
+        pdf_json_standard = [json.loads(line) for line in sf]
+
+    with open(test_file, 'r', encoding='utf-8') as tf:
+        pdf_json_test = [json.loads(line) for line in tf]
+
+    json_standard_origin = pd.DataFrame(pdf_json_standard)
+    json_test = pd.DataFrame(pdf_json_test)
+
+    return json_standard_origin, json_test
+
+
+def merge_json_data(json_test_df, json_standard_df):
+    """
+    基于ID合并测试和标准数据集，并返回合并后的数据及存在性检查结果。
+
+    参数:
+    - json_test_df: 测试数据的DataFrame。
+    - json_standard_df: 标准数据的DataFrame。
+
+    返回:
+    - inner_merge: 内部合并的DataFrame，包含匹配的数据行。
+    - standard_exist: 标准数据存在性的Series。
+    - test_exist: 测试数据存在性的Series。
+    """
+    test_data = json_test_df[['id', 'mid_json']].drop_duplicates(subset='id', keep='first').reset_index(drop=True)
+    standard_data = json_standard_df[['id', 'mid_json', 'pass_label']].drop_duplicates(subset='id', keep='first').reset_index(drop=True)
+
+    outer_merge = pd.merge(test_data, standard_data, on='id', how='outer')
+    outer_merge.columns = ['id', 'test_mid_json', 'standard_mid_json', 'pass_label']
+
+    standard_exist = outer_merge.standard_mid_json.notnull()
+    test_exist = outer_merge.test_mid_json.notnull()
+
+    inner_merge = pd.merge(test_data, standard_data, on='id', how='inner')
+    inner_merge.columns = ['id', 'test_mid_json', 'standard_mid_json', 'pass_label']
+
+    return inner_merge, standard_exist, test_exist
+
+
+
+
+def calculate_metrics(inner_merge, json_test, json_standard, json_standard_origin):
+    """
+    计算指标
+    """
+    # 创建ID到file_id的映射
+    id_to_file_id_map = pd.Series(json_standard_origin.file_id.values, index=json_standard_origin.id).to_dict()
+
+    # 处理标准数据和测试数据
+    process_data_standard = process_equations_and_blocks(json_standard, is_standard=True)
+    process_data_test = process_equations_and_blocks(json_test, is_standard=False)
+
+    # 从inner_merge中筛选出pass_label为'yes'的数据
+    test_para_text = np.asarray(process_data_test['para_texts'], dtype=object)[inner_merge['pass_label'] == 'yes']
+    standard_para_text = np.asarray(process_data_standard['para_texts'], dtype=object)[inner_merge['pass_label'] == 'yes']
+    ids_yes = inner_merge['id'][inner_merge['pass_label'] == 'yes'].tolist()
+
+    pdf_dis = {}
+    pdf_bleu = {}
+
+    # 对pass_label为'yes'的数据计算编辑距离和BLEU得分
+    for idx, (a, b, id) in enumerate(zip(test_para_text, standard_para_text, ids_yes)):
+        a1 = ''.join(a)
+        b1 = ''.join(b)
+        pdf_dis[id] = Levenshtein_Distance(a, b)
+        pdf_bleu[id] = sentence_bleu([a1], b1)
+
+        
+    result_dict = {}
+    acc_para=[]
+
+    # 对所有数据计算其他指标
+    for index, id_value in enumerate(inner_merge['id'].tolist()):
+        result = {}
+        
+        # 增加file_id到结果中
+        file_id = id_to_file_id_map.get(id_value, "Unknown")
+        result['file_id'] = file_id
+        
+
+        
+        # 根据id判断是否需要计算pdf_dis和pdf_bleu
+        if id_value in ids_yes:
+            result['pdf_dis'] = pdf_dis[id_value]
+            result['pdf_bleu'] = pdf_bleu[id_value]
+        
+        
+
+        # 计算分段准确率
+        single_test_para_num = np.array(process_data_test['para_nums'][index])
+        single_standard_para_num = np.array(process_data_standard['para_nums'][index])
+        acc_para.append(np.mean(single_test_para_num == single_standard_para_num))
+        
+        result['分段准确率'] = acc_para[index]
+    
+        # 行内公式准确率和编辑距离、bleu
+        result['行内公式准确率'] = bbox_match_indicator_general(
+            process_data_test["equations_bboxs"]["inline"][index],
+            process_data_standard["equations_bboxs"]["inline"][index])
+        
+        result['行内公式编辑距离'], result['行内公式bleu'] = equations_indicator(
+            process_data_test["equations_bboxs"]["inline"][index],
+            process_data_standard["equations_bboxs"]["inline"][index],
+            process_data_test["equations_texts"]["inline"][index],
+            process_data_standard["equations_texts"]["inline"][index])
+
+        # 行间公式准确率和编辑距离、bleu
+        result['行间公式准确率'] = bbox_match_indicator_general(
+            process_data_test["equations_bboxs"]["interline"][index],
+            process_data_standard["equations_bboxs"]["interline"][index])
+        
+        result['行间公式编辑距离'], result['行间公式bleu'] = equations_indicator(
+            process_data_test["equations_bboxs"]["interline"][index],
+            process_data_standard["equations_bboxs"]["interline"][index],
+            process_data_test["equations_texts"]["interline"][index],
+            process_data_standard["equations_texts"]["interline"][index])
+
+        # 丢弃文本准确率，丢弃文本标签准确率
+        result['丢弃文本准确率'], result['丢弃文本标签准确率'] = bbox_match_indicator_dropped_text_block(
+            process_data_test["dropped_bboxs"]["text"][index],
+            process_data_standard["dropped_bboxs"]["text"][index],
+            process_data_standard["dropped_tags"]["text"][index],
+            process_data_test["dropped_tags"]["text"][index])
+
+        # 丢弃图片准确率
+        result['丢弃图片准确率'] = bbox_match_indicator_general(
+            process_data_test["dropped_bboxs"]["image"][index],
+            process_data_standard["dropped_bboxs"]["image"][index])
+
+        # 丢弃表格准确率
+        result['丢弃表格准确率'] = bbox_match_indicator_general(
+            process_data_test["dropped_bboxs"]["table"][index],
+            process_data_standard["dropped_bboxs"]["table"][index])
+
+
+        # 将结果存入result_dict
+        result_dict[id_value] = result
+
+    return result_dict
+
+
+def save_results(result_dict, output_path):
+    """
+    将结果字典保存为JSON文件至指定路径。
+
+    参数:
+    - result_dict: 包含计算结果的字典。
+    - output_path: 结果文件的保存路径，包括文件名。
+    """
+    # 打开指定的文件以写入
+    with open(output_path, 'w', encoding='utf-8') as f:
+        # 将结果字典转换为JSON格式并写入文件
+        json.dump(result_dict, f, ensure_ascii=False, indent=4)
+
+    print(f"计算结果已经保存到文件：{output_path}")
+
+
+def upload_to_s3(file_path, bucket_name, s3_file_name,AWS_ACCESS_KEY,AWS_SECRET_KEY,END_POINT_URL):
+    """
+    上传文件到Amazon S3
+    """
+    s3 = boto3.client('s3',aws_access_key_id=AWS_ACCESS_KEY, aws_secret_access_key=AWS_SECRET_KEY,endpoint_url=END_POINT_URL)
+    try:
+        # 上传文件到S3
+        s3.upload_file(file_path, bucket_name, s3_file_name)
+        print(f"文件 {s3_file_name} 成功上传到S3存储桶 {bucket_name} 中的路径 {file_path}")
+    except FileNotFoundError:
+        print(f"文件 {s3_file_name} 未找到，请检查文件路径是否正确。")
+    except NoCredentialsError:
+        print("无法找到AWS凭证，请确认您的AWS访问密钥和密钥ID是否正确。")
+    except ClientError as e:
+        print(f"上传文件时发生错误：{e}")
+
+def generate_output_filename(base_path):
+    """
+    生成带有当前时间戳的输出文件名。
+
+    参数:
+    - base_path: 基础路径和文件名前缀。
+
+    返回:
+    - 带有当前时间戳的完整输出文件名。
+    """
+    # 获取当前时间并格式化为字符串
+    current_time = datetime.now().strftime('%Y-%m-%d_%H-%M-%S')
+    # 构建并返回完整的输出文件名
+    return f"{base_path}_{current_time}.json"
+
+
+
+
+
+def main(standard_file, test_file, base_output_path, s3_bucket_name=None, s3_file_name=None, AWS_ACCESS_KEY=None, AWS_SECRET_KEY=None, END_POINT_URL=None):
+    """
+    主函数，执行整个评估流程。
+    
+    参数:
+    - standard_file: 标准文件的路径。
+    - test_file: 测试文件的路径。
+    - base_output_path: 结果文件的基础路径和文件名前缀。
+    - s3_bucket_name: S3桶名称（可选）。
+    - s3_file_name: S3上的文件名（可选）。
+    - AWS_ACCESS_KEY, AWS_SECRET_KEY, END_POINT_URL: AWS访问凭证和端点URL（可选）。
+    """
+    # 检查文件是否存在
+    check_files_exist(standard_file, test_file)
+
+    # 读取JSON文件内容
+    json_standard_origin, json_test_origin = read_json_files(standard_file, test_file)
+
+    # 合并JSON数据
+    inner_merge, standard_exist, test_exist = merge_json_data(json_test_origin, json_standard_origin)
+
+    # 计算指标
+    result_dict = calculate_metrics(inner_merge, inner_merge['test_mid_json'], inner_merge['standard_mid_json'], json_standard_origin)
+
+    # 生成带时间戳的输出文件名
+    output_file = generate_output_filename(base_output_path)
+
+    # 保存结果到JSON文件
+    save_results(result_dict, output_file)
+
+if __name__ == "__main__":
+    parser = argparse.ArgumentParser(description="主函数，执行整个评估流程。")
+    parser.add_argument('standard_file', type=str, help='标准文件的路径。')
+    parser.add_argument('test_file', type=str, help='测试文件的路径。')
+    parser.add_argument('base_output_path', type=str, help='结果文件的基础路径和文件名前缀。')
+    parser.add_argument('--s3_bucket_name', type=str, help='S3桶名称。', default=None)
+    parser.add_argument('--s3_file_name', type=str, help='S3上的文件名。', default=None)
+    parser.add_argument('--AWS_ACCESS_KEY', type=str, help='AWS访问密钥。', default=None)
+    parser.add_argument('--AWS_SECRET_KEY', type=str, help='AWS秘密密钥。', default=None)
+    parser.add_argument('--END_POINT_URL', type=str, help='AWS端点URL。', default=None)
+
+    args = parser.parse_args()
+
+    main(args.standard_file, args.test_file, args.base_output_path, args.s3_bucket_name, args.s3_file_name, args.AWS_ACCESS_KEY, args.AWS_SECRET_KEY, args.END_POINT_URL)
+