feat: 添加 PaddleOCR 垃圾识别检测机制

- 添加 is_paddleocr_number_garbage() 函数
- 检测大量连续递增数字（如 1 2 3...999）
- 空表格误识别时自动丢弃 PaddleOCR 结果
- 回退到 MinerU 原始结果

pdf_converter_v2/utils/paddleocr_fallback.py

@@ -403,6 +403,52 @@ def has_recognition_garbage(text: str, min_repeat: int = 10) -> bool:
     return bool(re.search(rf"(.)\1{{{min_repeat},}}", text))
 
 
+def is_paddleocr_number_garbage(text: str) -> bool:
+    """检测 PaddleOCR 是否返回了大量连续数字的垃圾识别结果
+    
+    这种情况通常发生在空表格识别时，PaddleOCR 把表格边框误识别成大量连续数字。
+    
+    Args:
+        text: PaddleOCR 返回的文本
+        
+    Returns:
+        True 表示是垃圾识别结果，应该丢弃
+    """
+    if not text:
+        return False
+    
+    # 提取所有数字序列
+    numbers = re.findall(r'\d+', text)
+    if not numbers:
+        return False
+    
+    # 计算数字字符占总字符的比例
+    total_chars = len(text.replace(' ', '').replace('\n', ''))
+    if total_chars == 0:
+        return False
+    
+    number_chars = sum(len(n) for n in numbers)
+    number_ratio = number_chars / total_chars
+    
+    # 如果数字占比超过 80%，且有大量连续数字，判定为垃圾
+    if number_ratio > 0.8:
+        # 检查是否有大量连续的递增数字（如 1 2 3 4 5...）
+        number_list = [int(n) for n in numbers if len(n) <= 4]  # 只考虑 4 位以内的数字
+        if len(number_list) > 50:  # 如果有超过 50 个数字
+            # 检查是否有连续递增的数字序列
+            consecutive_count = 0
+            for i in range(len(number_list) - 1):
+                if number_list[i+1] == number_list[i] + 1:
+                    consecutive_count += 1
+                    if consecutive_count > 20:  # 连续递增超过 20 个
+                        logger.warning(f"[PaddleOCR 垃圾检测] 检测到大量连续递增数字，数字占比: {number_ratio:.2%}")
+                        return True
+                else:
+                    consecutive_count = 0
+    
+    return False
+
+
 def detect_file_type(file_path: str) -> Optional[str]:
     """通过文件内容（魔数）检测文件类型，不依赖扩展名
     
@@ -659,6 +705,10 @@ def call_paddleocr(image_path: str) -> Optional[Dict[str, Any]]:
                 with open(md_file, 'r', encoding='utf-8') as f:
                     markdown_content = f.read()
                     if markdown_content.strip():
+                        # 检测是否是垃圾识别结果（大量连续数字）
+                        if is_paddleocr_number_garbage(markdown_content):
+                            logger.warning("[PaddleOCR 图表识别] 检测到垃圾识别结果（大量连续数字），丢弃此结果")
+                            return None
                         logger.info(f"[PaddleOCR 图表识别] 成功读取Markdown文件，内容长度: {len(markdown_content)} 字符")
                         return {"markdown_content": markdown_content}
                     else: