math_cms/app/Services/LatexCleanerService.php

<?php

namespace App\Services;

/**
 * LaTeX 清理服务
 * 专门用于清理 OCR 识别返回的 LaTeX 公式中的常见错误
 * 在数据存入数据库之前进行预处理
 */
class LatexCleanerService
{
    /**
     * 清理 LaTeX 文本
     * 
     * @param string $latex 原始 LaTeX 文本
     * @return string 清理后的 LaTeX 文本
     */
    public function clean(string $latex): string
    {
        if (empty($latex)) {
            return $latex;
        }

        // 1. 基础清理
        $latex = $this->basicCleanup($latex);
        
        // 2. 空格规范化
        $latex = $this->normalizeWhitespace($latex);
        
        // 3. 清理错误的定界符
        $latex = $this->cleanDelimiters($latex);
        
        // 4. 修复常见的 LaTeX 命令
        $latex = $this->fixCommonCommands($latex);
        
        // 5. 清理括号匹配问题
        $latex = $this->fixBraces($latex);
        
        return trim($latex);
    }

    /**
     * 基础清理
     */
    protected function basicCleanup(string $latex): string
    {
        // 递归解码 HTML 实体
        $decoded = html_entity_decode($latex, ENT_QUOTES, 'UTF-8');
        while ($decoded !== $latex) {
            $latex = $decoded;
            $decoded = html_entity_decode($latex, ENT_QUOTES, 'UTF-8');
        }
        
        // 移除 HTML 标签
        $latex = strip_tags($latex);
        
        return $latex;
    }

    /**
     * 空格规范化 - 处理 OCR 常见的空格问题
     */
    protected function normalizeWhitespace(string $latex): string
    {
        // 1. 移除 LaTeX 命令后的空格: \frac { -> \frac{
        $latex = preg_replace('/\\\\([a-zA-Z]+)\s+\{/', '\\\\$1{', $latex);
        
        // 2. 移除花括号内的前导和尾随空格: { 1 } -> {1}
        $latex = preg_replace('/\{\s+/', '{', $latex);
        $latex = preg_replace('/\s+\}/', '}', $latex);
        
        // 2.1 移除闭合花括号后紧跟开放花括号之间的空格: } { -> }{
        $latex = preg_replace('/\}\s+\{/', '}{', $latex);
        
        // 3. 移除上标/下标符号周围的空格: x ^ { a } -> x^{a}
        $latex = preg_replace('/\s*\^\s*\{\s*/', '^{', $latex);
        $latex = preg_replace('/\s*_\s*\{\s*/', '_{', $latex);
        
        // 4. 移除 \left 和 \right 后的空格: \left ( -> \left(, \right ) -> \right)
        $latex = preg_replace('/\\\\(left|right)\s+/', '\\\\$1', $latex);
        
        // 4.1 特殊处理 \right 和 ) 之间的空格
        $latex = preg_replace('/\\\\right\s+\)/', '\\right)', $latex);
        $latex = preg_replace('/\\\\left\s+\(/', '\\left(', $latex);
        
        // 5. 移除括号内侧的空格: ( x ) -> (x)
        $latex = preg_replace('/\(\s+/', '(', $latex);
        $latex = preg_replace('/\s+\)/', ')', $latex);
        
        // 6. 规范化多个连续空格为单个空格
        $latex = preg_replace('/\s+/', ' ', $latex);
        
        return $latex;
    }

    /**
     * 清理错误的定界符 - OCR 常见错误
     */
    protected function cleanDelimiters(string $latex): string
    {
        // 1. 移除花括号内的 $: {a$} -> {a}
        $latex = preg_replace('/\{([^}]*)\$+([^}]*)\}/', '{$1$2}', $latex);
        
        // 2. 移除末尾的多余 $$$
        $latex = preg_replace('/\$+\s*$/', '', $latex);
        
        // 3. 移除开头的多余 $$$
        $latex = preg_replace('/^\s*\$+/', '', $latex);
        
        // 4. 移除连续的 $$$ (3个或更多) -> $$
        $latex = preg_replace('/\$\$\$+/', '$$', $latex);
        
        // 5. 修复不匹配的定界符
        // 如果只有一个 $，可能是 OCR 错误，移除它
        $dollarCount = substr_count($latex, '$');
        if ($dollarCount === 1) {
            $latex = str_replace('$', '', $latex);
        }
        
        return $latex;
    }

    /**
     * 修复常见的 LaTeX 命令
     */
    protected function fixCommonCommands(string $latex): string
    {
        // 常见的 LaTeX 命令列表
        $commands = [
            'frac', 'sqrt', 'sum', 'int', 'lim', 'prod',
            'sin', 'cos', 'tan', 'log', 'ln', 'exp',
            'alpha', 'beta', 'gamma', 'delta', 'theta', 'pi', 'sigma', 'omega',
            'leq', 'geq', 'neq', 'approx', 'infty', 'partial',
            'times', 'div', 'pm', 'mp', 'cdot',
            'left', 'right', 'big', 'Big', 'bigg', 'Bigg'
        ];
        
        // 为缺少反斜杠的命令添加反斜杠
        foreach ($commands as $cmd) {
            // 匹配单词边界的命令（不是已经有反斜杠的）
            $pattern = '/(?<!\\\\)\b' . preg_quote($cmd, '/') . '\b/';
            $latex = preg_replace($pattern, '\\\\' . $cmd, $latex);
        }
        
        // 规范化反斜杠（处理多重转义）
        $latex = preg_replace('/\\\\+([a-zA-Z])/', '\\\\$1', $latex);
        
        return $latex;
    }

    /**
     * 修复括号匹配问题
     */
    protected function fixBraces(string $latex): string
    {
        // 统计花括号数量
        $openCount = substr_count($latex, '{');
        $closeCount = substr_count($latex, '}');
        
        // 如果不匹配，尝试修复
        if ($openCount > $closeCount) {
            // 缺少闭合括号，在末尾添加
            $latex .= str_repeat('}', $openCount - $closeCount);
        } elseif ($closeCount > $openCount) {
            // 多余的闭合括号，移除末尾的
            $diff = $closeCount - $openCount;
            for ($i = 0; $i < $diff; $i++) {
                $latex = preg_replace('/\}\s*$/', '', $latex, 1);
            }
        }
        
        return $latex;
    }

    /**
     * 批量清理文本数组
     * 
     * @param array $texts 文本数组
     * @param array $keys 需要清理的键名
     * @return array 清理后的数组
     */
    public function cleanArray(array $texts, array $keys = ['content', 'question_text', 'student_answer', 'answer']): array
    {
        foreach ($texts as &$item) {
            if (is_array($item)) {
                foreach ($keys as $key) {
                    if (isset($item[$key]) && is_string($item[$key])) {
                        $item[$key] = $this->clean($item[$key]);
                    }
                }
            }
        }
        
        return $texts;
    }

    /**
     * 验证清理后的 LaTeX 是否有效
     * 
     * @param string $latex 清理后的 LaTeX
     * @return array ['valid' => bool, 'errors' => array]
     */
    public function validate(string $latex): array
    {
        $errors = [];
        
        // 检查括号匹配
        if (substr_count($latex, '{') !== substr_count($latex, '}')) {
            $errors[] = '花括号不匹配';
        }
        
        if (substr_count($latex, '(') !== substr_count($latex, ')')) {
            $errors[] = '圆括号不匹配';
        }
        
        if (substr_count($latex, '[') !== substr_count($latex, ']')) {
            $errors[] = '方括号不匹配';
        }
        
        // 检查定界符匹配
        $dollarCount = substr_count($latex, '$');
        if ($dollarCount % 2 !== 0) {
            $errors[] = '$ 定界符不匹配';
        }
        
        return [
            'valid' => empty($errors),
            'errors' => $errors
        ];
    }
}