确认理赔单证真的是那份单证

目标

用规则表检查各索赔类型的必备材料，用魔数判定文件格式，用内容哈希找出被重新使用的材料，并检查文件名中的个人信息、提交期限和孤立文件，最后输出各笔索赔的补充要求清单。

为什么重要

材料是赔付判断的依据，但这个文件是否真的是那份材料，文件名并不会告诉你。扫描仪生成的图片被加上了 pdf 扩展名，同一张收据只改了名字就用在了两笔索赔中。 在受理时点做自动检查很便宜，而到赔付之后才发现，代价非常高。所需要的只是一张规则表、文件开头的几个字节，以及哈希。 这个收件箱中的文件混有 NUL 字节。使用 grep 的话，要么什么也找不到，要么只返回说这是二进制文件。请用 od 查看，或者在 Python 中按字节读取。

步骤

1. 把材料脚本保存为 /root/docs/gen_docs.py 并运行，生成 /root/docs/claims.db 和 /root/docs/inbox 文件。
2. 把规则表与受理记录对照，将缺失的材料写入 /root/docs/missing.txt 文件。
3. 用 /root/docs/sniff.py 判定格式，把整个收件箱的判定表输出到 /root/docs/filetypes.tsv 文件。
4. 用内容哈希把被重新使用的材料归为一组，写入 /root/docs/reuse.txt 文件。
5. 统计文件名中携带的个人信息，写入 /root/docs/namescan.txt 文件。
6. 从事故日期计算提交期限，写入 /root/docs/overdue.txt 文件。
7. 对记录与实物做双向比对，写入 /root/docs/orphans.txt 文件。
8. 把各笔索赔的补充要求清单输出到 /root/docs/followup.json 文件，把报告输出到 /root/docs/docs_report.md 文件。

参考

• 格式名称只使用 pdf、png、jpg、zip、unknown 五种。sniff.py 接收一个文件路径作为参数，输出一行格式名称。
• filetypes.tsv 每个文件一行，用制表符分隔为三栏：文件名、扩展名（从名称中提取的小写形式）、判定的格式。
• 提交期限是自事故日期起 30 天。这是本实验的假设，并非法定期限。是否逾期，以 2026-09-17 作为今天来计算。
• 文件名中个人信息的判定规则：包含 2 到 4 个韩文字符，视为姓名；形如六位数字、连字符、七位数字，视为编号。
• sqlite3 通过 sqlite3 -readonly /root/docs/claims.db "SELECT ..." 连接。收件箱通过 od -c /root/docs/inbox/K0001_claim_form.pdf | head -2 查看。
• 常见错误：用扩展名判定格式，把期限的起算日定为受理日期，只从一个方向比对记录与实物，在报告中原样转录个人信息的值。

创建索赔表和收件箱

把材料脚本保存为 /root/docs/gen_docs.py 并运行，创建 /root/docs/claims.db 和 /root/docs/inbox 文件。

先创建 /root/docs，然后在其中用 python3 运行。表有 claim、doc_rule、submission 三张，收件箱中会生成 189 个文件。不要修改生成的文件。

运行各类型必备材料的检查清单

把规则表与受理记录对照，在 /root/docs/missing.txt 中写入 incomplete_claims、missing_docs、missing_inj、missing_ill、missing_med。

doc_rule 保存了每种索赔类型所需的材料种类。对每笔索赔，从这个集合中减去 submission 里已有的种类，剩下的就是缺失的。各类型的数量，是把有缺失材料的索赔按类型拆分后统计出的值。

不看扩展名，用开头的字节区分格式

创建 /root/docs/sniff.py 文件，并把整个收件箱的判定表输出到 /root/docs/filetypes.tsv 文件。

PDF 以 %PDF- 开头，PNG 以十进制 137 80 78 71 13 10 26 10 开头，JPEG 以 FF D8 FF 开头，ZIP 以 PK 03 04 开头。都不符合的是 unknown。文件一定要按字节方式打开。表中的文件名、扩展名、判定三栏用制表符分隔。

找出同一份材料被再次使用的地方

用内容哈希把相同的文件归为一组，在 /root/docs/reuse.txt 中写入 reused_groups、reused_files、affected_claims。

文件名可以随意更改，所以用 sha256 来分组。只统计有两个以上文件的组。涉及的索赔数，是通过 submission 的 filename 回溯，统计不同的 claim_id 得到的值。

统计文件名中携带的个人信息

在 /root/docs/namescan.txt 中写入 name_in_filename、rrn_in_filename、flagged_files。

无论内容遮得多好，文件名都会原样留在清单界面、备份索引和错误日志中。包含 2 到 4 个韩文字符的视为姓名，形如六位数字、连字符、七位数字的视为编号。flagged_files 是命中二者之一的文件数。

从事故日期起计算期限

在 /root/docs/overdue.txt 中写入 late_docs、late_claims、overdue_missing。

起算日是事故日期，而不是受理日期。统计自事故日期起超过 30 天才提交的材料，再统计至少有一份这类材料的索赔。overdue_missing 是既有缺失材料、期限又在 2026-09-17 之前已经过去的索赔数。

对记录与实物做双向比对

在 /root/docs/orphans.txt 中写入 orphan_files、missing_files、claims_with_missing_file。

只存在于收件箱中的文件，与只存在于记录中的文件，是不同的事故。前者是留下了不知属于谁的个人信息，后者是赔付依据空缺。请从两个方向分别求两个集合的差集。

输出各笔索赔的补充要求清单

在 /root/docs/followup.json 中放入每笔索赔的 missing、no_file、reused、type_mismatch，并在 /root/docs/docs_report.md 中写一份分为五节的报告。

把四种原因在每笔索赔内分开书写。没有任何原因的索赔不放入清单。文件列表要排序后放入。报告的五个小节标题均为韩文，依次意为“已确认的内容”“缺失的材料”“格式与重复使用”“文件名中的个人信息”“建议”。报告中不要转录个人信息的值。