fix(#8): шаг 2 — нумерация со сбоем OCR под заголовком, повтор шапки со склеенной нумерацией (AURORA-1517)

Строка сразу под строкой заголовка сегмента проверяется на нумерацию мягко: ячейка со сбоем OCR
даёт своё единственное целое («• ■ 1», «3гола», «гола\n4»), ячейка без цифр («/», «V») — пропуск.
Подписи шапки сравниваются без хвоста-номера столбца («Коды\n2» → «коды»), поэтому склеенная с
нумерацией повторная шапка становится шапкой сегмента.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>

arm_statements/layout.py

@@ -17,6 +17,7 @@ _MIN_NUMBERING_CELLS = 3
 _SHORT_NOTE = 3  # «Пояснения» без подписи: значения не длиннее 3 символов
 _SKIP_STEP = 2  # скачок через одну пропущенную цифру нумерации
 _NUMBER = re.compile(r"[0-9]+")
+_NUMBERING_TAIL = re.compile(r"\s+[0-9]{1,2}$")
 _FULL_CONFIDENCE = 100.0
 
 
@@ -24,6 +25,11 @@ def _text(cell: Cell | None) -> str:
     return "" if cell is None else cell.text.strip()
 
 
+def caption_text(text: str) -> str:
+    """Подпись шапки для сравнения: `normalize_caption` без номера столбца, склеенного снизу («Коды\\n2» → «коды»)."""
+    return _NUMBERING_TAIL.sub("", normalize_caption(text))
+
+
 def cell_at(rows: Grid, row: int, col: int) -> Cell | None:
     """Ячейка сетки; вне строки или сетки — `None`."""
     if row < 0 or row >= len(rows) or col < 0:
@@ -138,17 +144,27 @@ def first_code_row(rows: Grid, first: int, last: int, code_col: int, rules: Rule
     return None
 
 
-def is_numbering_row(cells: Sequence[Cell | None], rules: Rules) -> bool:
+def is_numbering_row(cells: Sequence[Cell | None], rules: Rules, *, noisy: bool = False) -> bool:
-    """≥ 3 непустых ячеек-целых, слева направо +1, начало 1 или 2, не больше одного пропуска."""
+    """≥ 3 непустых ячеек-целых, слева направо +1, начало 1 или 2, не больше одного пропуска.
+
+    `noisy` — строка сразу под шапкой (AURORA-1517): ячейка со сбоем OCR даёт своё единственное целое («• ■ 1» → 1,
+    «3гола» → 3), ячейка без цифр («/», «V») — пропуск, два целых в ячейке — не нумерация.
+    """
     numbers: list[int] = []
     for cell in cells:
         text = _text(cell)
         if not text:
             continue
         fixed = fix_lookalikes(text, rules.lookalikes, anywhere=True).strip()
-        if _NUMBER.fullmatch(fixed) is None:
+        if _NUMBER.fullmatch(fixed) is not None:
+            numbers.append(int(fixed))
+            continue
+        if not noisy:
             return False
-        numbers.append(int(fixed))
+        found = _NUMBER.findall(text)
+        if len(found) > 1:
+            return False
+        numbers.extend(int(number) for number in found)
     if len(numbers) < _MIN_NUMBERING_CELLS or numbers[0] not in (1, 2):
         return False
     skips = 0
@@ -212,7 +228,7 @@ def find_header_rows(rows: Grid, first: int, first_code: int, code_col: int, rul
     """Строка заголовка (одна или две, склеенные); не найдена — `()`."""
     candidates = [r for r in range(first, first_code) if not is_numbering_row(rows[r], rules)]
     captioned = [
-        r for r in candidates if rules.headers.code_caption.search(normalize_caption(_text(cell_at(rows, r, code_col))))
+        r for r in candidates if rules.headers.code_caption.search(caption_text(_text(cell_at(rows, r, code_col))))
     ]
     header: int | None = captioned[-1] if captioned else None
     if header is None:
@@ -229,15 +245,17 @@ def find_header_rows(rows: Grid, first: int, first_code: int, code_col: int, rul
 
 
 def segment_roles(rows: Grid, first: int, last: int, header_rows: tuple[int, ...], rules: Rules) -> list[RowRole]:
-    """Роли строк `first..last`: выше заголовка — TITLE (только при найденном заголовке)."""
+    """Роли строк `first..last`: выше заголовка — TITLE (только при найденном заголовке); строка сразу под заголовком —
+    нумерация и при сбое OCR (`is_numbering_row(noisy=True)`)."""
     roles: list[RowRole] = []
     top = min(header_rows) if header_rows else None
+    under = max(header_rows) + 1 if header_rows else None
     for row in range(first, last + 1):
         if row in header_rows:
             roles.append(RowRole.HEADER)
         elif top is not None and row < top:
             roles.append(RowRole.TITLE)
-        elif is_numbering_row(rows[row], rules):
+        elif is_numbering_row(rows[row], rules, noisy=row == under):
             roles.append(RowRole.NUMBERING)
         else:
             roles.append(RowRole.DATA)
@@ -251,7 +269,7 @@ def _caption_column(
         for col, cell in enumerate(rows[row]):
             if col == code_col or (left_of_code and col > code_col):
                 continue
-            if pattern.search(normalize_caption(_text(cell))):
+            if pattern.search(caption_text(_text(cell))):
                 return col
     return None
 

arm_statements/segments.py

@@ -18,6 +18,7 @@ from arm_statements.columns import (
 from arm_statements.issues import WarningCode, make_warning
 from arm_statements.layout import (
     Grid,
+    caption_text,
     cell_at,
     find_code_column,
     find_header_rows,
@@ -35,7 +36,6 @@ from arm_statements.model import (
     StatementHeader,
     StatementWarning,
 )
-from arm_statements.text import normalize_caption
 
 
 @dataclass(frozen=True, slots=True)
@@ -100,7 +100,7 @@ def _chunks(rows: Grid, breaks: Sequence[int]) -> list[tuple[int, int]]:
 
 
 def _caption_cells(rows: Grid, header_rows: Sequence[int]) -> frozenset[str]:
-    cells = (normalize_caption(_text(rows, r, c)) for r in header_rows for c in range(len(rows[r])))
+    cells = (caption_text(_text(rows, r, c)) for r in header_rows for c in range(len(rows[r])))
     return frozenset(c for c in cells if c)
 
 
@@ -110,7 +110,7 @@ def _is_repeat_header(rows: Grid, row: int, code_col: int | None, reference: fro
         return False
     if code_col is not None and is_code_cell(_text(rows, row, code_col), rules):
         return False
-    normalized = [normalize_caption(c.text) for c in rows[row] if c is not None and c.text.strip()]
+    normalized = [caption_text(c.text) for c in rows[row] if c is not None and c.text.strip()]
     if any(rules.headers.code_caption.search(text) for text in normalized):
         return True
     return sum(1 for text in normalized if text and text in reference) >= _MIN_SAME_CELLS

arm_statements/tests/test_segments.py

@@ -215,3 +215,45 @@ def test_headerless_continuation_sheet_with_outside_numbers(rules: Rules) -> Non
     assert layout.warnings[0].locator == "Лист1!F2\nЛист2!F1"
     assert layout.segments[1].value_cols == ((3, 3), (4, 4))
     assert layout.segments[1].extra_cols == ()
+
+
+BALANCE_CAPTIONS = ["Наименование показателя", "Коды", "На 30 июня\n2026 года", "На 31 декабря\n2025 года"]
+ASSETS = [["Запасы", "1210", "5", "4"], ["Дебиторская задолженность", "1230", "3", "2"], ["Итого", "1200", "8", "6"]]
+LIABILITIES = [["Заемные средства", "1510", "3", "2"], ["Кредиторская задолженность", "1520", "5", "4"]]
+
+
+def test_numbering_with_ocr_noise_right_under_header(rules: Rules) -> None:
+    """AURORA-1517: нумерация под шапкой со сбоем OCR («/» вместо 1, мусор, протёкшее «года», «V» вместо 4)."""
+    for numbering in (
+        ["/", "2", "3", "4"],
+        ["• ■ 1", "2", "3", "4"],
+        ["1", "2", "3гола", "гола\n4"],
+        ["1", "2", "3", "V"],
+    ):
+        layout = find_layout(ocr([BALANCE_CAPTIONS, numbering, *ASSETS]), parse_header(hdr(), rules), rules)
+        assert layout.roles[1] is RowRole.NUMBERING, numbering
+
+
+def test_numbering_with_ocr_noise_under_repeat_header(rules: Rules) -> None:
+    """AURORA-1517, «Светлый путь»: «• ■ 1 2 3 4 5» под повторной шапкой второй страницы."""
+    rows = [BALANCE_CAPTIONS, ["1", "2", "3", "4"], *ASSETS, BALANCE_CAPTIONS, ["• ■ 1", "2", "3", "4"], *LIABILITIES]
+    layout = find_layout(ocr(rows), parse_header(hdr(), rules), rules)
+    assert [s.first_row for s in layout.segments] == [0, 5]
+    assert layout.roles[6] is RowRole.NUMBERING and layout.roles[7] is RowRole.DATA
+
+
+def test_noisy_numbering_elsewhere_stays_data(rules: Rules) -> None:
+    """Мягкая проверка — только сразу под шапкой; строка с кодом формы — не нумерация."""
+    rows = [BALANCE_CAPTIONS, ["Запасы 1", "1210", "2", "3"], *ASSETS, ["/", "2", "3", "4"], *LIABILITIES]
+    layout = find_layout(ocr(rows), parse_header(hdr(), rules), rules)
+    assert layout.roles[1] is RowRole.DATA and layout.roles[5] is RowRole.DATA
+
+
+def test_repeat_header_glued_with_numbering(rules: Rules) -> None:
+    """AURORA-1517, «Будамшинское»: повторная шапка, в каждой подписи которой снизу номер столбца."""
+    glued = ["Наименование показателя\n1", "Коды\n2", "На 30 июня\n2026 года\n3", "На 31 декабря\n2025 года\n4"]
+    rows = [BALANCE_CAPTIONS, ["1", "2", "3", "4"], *ASSETS, glued, *LIABILITIES]
+    layout = find_layout(ocr(rows), parse_header(hdr(), rules), rules)
+    assert [s.first_row for s in layout.segments] == [0, 5]
+    assert layout.roles[5] is RowRole.HEADER and layout.roles[6] is RowRole.DATA
+    assert layout.segments[1].value_cols == ((2, 2), (3, 3))