diff --git a/README.md b/README.md
index b9ec0cb..b9af324 100644
--- a/README.md
+++ b/README.md
@@ -37,6 +37,9 @@ profile 表达论文、政务文档、RAG、文档对比等不同需求。
   （`research-wiki/scratch/html-table-cleaning-ecosystem-research-2026-08-21.md`）：核实 Pandoc 表格
   方言能力边界、Turndown 不处理合并单元格、Docling Markdown 导出重复合并单元格内容、MinerU 全
   HTML 输出，印证审计 T001 的分流方向。
+- 2026-08-21 完成 45 份测试 Markdown 中 HTML 表格的只读结构分析
+  （`research-wiki/scratch/html-table-real-data-analysis-2026-08-21.md`）：剔除空 `<tr>` 后
+  简单表 53% / 合法合并表 8% / 损坏表 40%，并定位标签不闭合、丢失 colspan 标注、无表头三类主因。
 - 2026-08-21 仓库由 `govdoc-md-cleaner` 更名为 `mdpolish`，GitHub 远程仓库与本地目录同步改名；
   冻结的 design 记录和带日期的 scratch 笔记保留当时的旧名。
 
diff --git a/research-wiki/scratch/html-table-real-data-analysis-2026-08-21.md b/research-wiki/scratch/html-table-real-data-analysis-2026-08-21.md
new file mode 100644
index 0000000..ff24e08
--- /dev/null
+++ b/research-wiki/scratch/html-table-real-data-analysis-2026-08-21.md
@@ -0,0 +1,170 @@
+# HTML 表格真实数据结构分析：45 份 GovDoc 测试 Markdown
+
+> 状态：只读分析记录，尚未进入任何 design。文中"建议"部分是候选方向，不是批准的方案。
+>
+> 分析日期：2026-08-21。
+>
+> 定位：用真实数据回答"我们的 HTML 表格到底长什么样、损坏在哪"，为未来表格清洗 design 提供测量依据，
+> 并修正 [`html-table-cleaning-ecosystem-research-2026-08-21.md`](html-table-cleaning-ecosystem-research-2026-08-21.md)
+> 第 8 节中可以用数据回答的待决问题。
+
+## 1. 结论先行
+
+按"展开 rowspan/colspan 后每行列数是否一致"给全部顶层表格分类，**剔除空 `<tr></tr>` 之后**的分布：
+
+| 分类 | 定义 | 数量 | 占比 |
+|---|---|---|---|
+| A 简单矩形表 | 无合并单元格、每行列数一致、无嵌套、无游离内容 | 2474 | 53% |
+| B 合法合并表 | 有 rowspan/colspan，展开后仍是完整矩形 | 356 | 8% |
+| C 损坏表 | 参差网格、标签截断、占位冲突等 | 1879 | 40% |
+
+四个改变预期的发现：
+
+1. **一半的"损坏"是空 `<tr></tr>` 造成的假象**——剔除后 C 类从 54% 降到 40%；
+2. **标签不闭合会吞掉半篇文档**——最极端的一个未闭合表格吞了 2.79MB、1294 个表格；
+3. **参差网格与合并单元格强相关**——六成以上参差表带 span 属性，指向转换器丢失 colspan 标注；
+4. **无表头是常态**（A 类中 96%），**表格内图片为零**，单元格内管道符为零。
+
+## 2. 数据范围与方法
+
+- 输入：`/home/lihaoze/gov_test_data/compare/*/uploads/*.md`，45 份，全程只读；
+  本文只含聚合数字和结构事实，不含任何原文片段；
+- 分析脚本在会话级临时目录 `/tmp/table-analysis/analyze.py`，未入库（仓库处于文档治理阶段，无源码目录）；
+  本文第 2.1 节的规则描述是复现依据；
+- 解析器：lxml `HTMLParser(recover=True)`。本地未装 html5lib。
+
+### 2.1 测量规则
+
+1. **代码围栏遮蔽**：先标记 ```` ``` ````/`~~~` 围栏内的位置，围栏里的 `<table>` 不计入；
+2. **片段切分**：对围栏外的 `<table`/`</table>` 事件按嵌套深度配对出顶层片段；悬空的 `</table>`
+   （无对应开启）单独计数并忽略；到文件尾仍未闭合的片段标记 `truncated`；
+3. **结构分析**：每个片段单独喂给 lxml 容错解析；对每个 `<table>` 展开 rowspan/colspan 建二维占位网格，
+   检测占位冲突，计算每行展开后的列数，收集表头、嵌套、游离文本、块级子标签、空单元格、超长单元格、
+   退化重复等特征；
+4. **分类谓词**（`truncated` 为片段级标记，其余为表格级）：
+
+   ```text
+   A_simple : 非 truncated 且 span_cells=0 且无嵌套 且每行展开列数一致
+              且无占位冲突 且无游离文本 且块级子标签 ⊆ {br}
+   B_span_ok: 非 truncated 且无占位冲突 且每行展开列数一致 且无游离文本
+   C_broken : 其余全部
+   ```
+
+5. **空行修复复核**：把没有任何 `td`/`th` 子元素的 `<tr>` 整行剔除后重新跑同一分类，观察迁移。
+
+## 3. 总量与原始分类
+
+- 45 份文档共 7550 个 `<table` 开标签、7155 个闭标签，**缺口 395 个**；
+- 深度配对得到 4648 个顶层片段；容错解析后共 **4709 个表格元素**（缺口标签导致部分片段解析出多个表格）；
+- `parse_fail=0`；lxml recover 模式记录 parser 错误的片段仅 30/4648——**recover 解析器的错误日志是弱信号，
+  不能当损坏检测器用**，损坏要靠网格校验发现。
+
+原始分类（4709 个表格）：
+
+| 分类 | 数量 | 占比 |
+|---|---|---|
+| A_simple | 1921 | 41% |
+| B_span_ok | 262 | 5% |
+| C_broken | 2526 | 54% |
+
+结构特征（占 4709 的比例）：含 span 属性 1891（40%）、参差网格 2506（53%）、有 `<th>` 259（5.5%）、
+单行表 157、截断片段 67、超长单元格（>500 字符）197、巨型片段（>10KB）70、退化重复内容 33、
+游离文本 27、占位冲突 14、嵌套表格 5、含块级标签 5、**含图片 0**。
+
+## 4. 发现一：空 `<tr></tr>` 是最大的单一"假损坏"来源
+
+完全没有 `td`/`th` 子元素的空行标签在参差表里出现 3000+ 行次。它们把"列数一致的好表"撑成
+"某些行 0 列"的参差表。
+
+剔除空行后重新分类：
+
+| 迁移路径 | 数量 |
+|---|---|
+| C_broken → A_simple | 553 |
+| C_broken → B_span_ok | 94 |
+
+即分类变为 **A 2474（53%）/ B 356（8%）/ C 1879（40%）**，一条零风险修复救回 13% 的表。
+空行不含任何内容，剔除是无损的。
+
+空行出现的位置：表中间 1151 处、表尾 385 处（对修复后仍为 C 的表统计），**没有出现在表头位置**——
+符合"转换器输出残留"而非"表头占位"的形态。
+
+## 5. 发现二：标签不闭合会吞掉后续正文
+
+最极端案例 `001-2/uploads/file_0_PDF.md`：全文件 1315 开 / 1124 闭；从第 1315 行开始的一个未闭合
+表格把后续 **2,789,092 字符、内部含 1294 个表格**的内容全部吞进一个"顶层片段"。
+
+全库 395 个闭合缺口意味着：**清洗的第一步不是处理表格，而是安全切分片段**。深度配对在标签缺失时
+会把正文和后续完整表格归并进一个巨型片段，后续所有基于片段的统计和修改都会失真。
+
+切分策略的可用锚点：相邻顶层表格之间，2943 对隔着真实文本、1661 对只隔空行——块边界
+（空行 + 后续正文）在实际数据中是可识别的。
+
+## 6. 发现三：参差网格与 span 强相关，指向"丢 colspan 标注"
+
+2506 个参差表中 **1624 个（65%）带 span 属性**——格子内容在、宽度信息没了，是转换器丢失
+colspan 标注的形态，不全是真缺内容。
+
+剔除空行后仍参差的 1851 个表，参差发生位置：
+
+| 位置 | 数量 | 推断成因 |
+|---|---|---|
+| 中间各行乱 | 780 | 真·结构损坏或逐行丢标注 |
+| 表头行比正文长 | 619 | 多级表头被拍平成一行、丢层级 |
+| 首行短 | 239 | 表头/首行缺格 |
+| 仅尾部截短 | 213 | 跨页截断尾巴 |
+
+四类成因不同，修复策略应当不同，但**都不能靠补空单元格自动修**——那正是
+[`../reference/GOVDOC_SAAS_CLEANING_SCOPE.md`](../reference/GOVDOC_SAAS_CLEANING_SCOPE.md) T002
+明确反对、且 rumdl MD056 的 auto-fix 方向被本仓库否决的做法。
+
+## 7. 发现四：无表头是常态，转换障碍集中在 `<br>`
+
+对修复后仍是 A 类的 2474 个表，检查转 GFM 管道表格的内容障碍：
+
+| 障碍 | 数量 | 占 A 类 |
+|---|---|---|
+| 无 `<th>` 表头 | 2393 | 96% |
+| 单元格含 `<br>` | 501 | 20% |
+| 单行表 | 176 | 7% |
+| 超长单元格（>500 字符） | 54 | 2% |
+| 单元格文本含 `\|` | 0 | 0% |
+| 表格内 `<img>` | 0 | 0% |
+
+转义压力比预期小（管道符、图片都是零），压力集中在**合成表头**和 `<br>` 处理上。
+
+## 8. 建议的处理策略（候选，未批准）
+
+三步走，对齐审计 T001 的分流方向，用真实数据修正边界：
+
+1. **切分**：容错定位 `<table>` 片段；未闭合的在块边界截断并标记 truncated，
+   绝不让深度配对吞正文；
+2. **无损修复**：只做剔除空 `<tr>` 这一级别的零风险修复（实测救回 13% 的表）；
+3. **分流**：
+   - A 类（53%）→ 转 GFM：合成表头、`<br>` 转空格、管道符转义兜底；
+   - B 类（8%）→ 保留 HTML，规范化输出；
+   - C 类（40%）→ 不自动修，保留原样 + 按第 6 节四类成因报告分类原因，交人工确认或回源。
+
+对生态调研第 8 节待决问题的数据回答：
+
+- 问题 4（无表头表格怎么处理）：数据表明无表头占绝对多数（96%），"补合成表头转 GFM"
+  是主流路径；空表头还是首行充当表头仍是 design 待决；
+- 问题 1（简单/复杂分界线）：分界线除了合并单元格，必须加"展开后网格是否矩形"——
+  本数据中它是比 span 更强的损坏信号（53% 对 40%）；
+- 问题 2、3（规范 HTML 程度、JSON schema）本次数据没有新增证据，维持开放。
+
+## 9. 局限
+
+- 全部数字只来自这 45 份文档，不得外推为一般结论（CLAUDE.md 第 5 节约束）；
+- 53/8/40 依赖"剔除空 `<tr>`"这条规则被采纳；不采纳则为 41/5/54；
+- lxml recover 解析可能自行重排损坏片段，个别表格的行列统计是解析结果而非字节事实；
+- 巨型片段内部的表格统计（如 001-2/file_0 被吞的 1294 个）已计入总数，但它们在原文中的
+  真实边界未经人工核对；
+- 参差位置的四分类用的是简单规则（与列数众数比较），是启发式归类，不是语义判断。
+
+## 10. 验证状态
+
+- 第 3 至 7 节所有数字：2026-08-21 由只读脚本在真实数据上实际运行得出，脚本未入库；
+- 分类谓词与第 2.1 节规则描述和脚本逻辑一致，可据此重建等价测量；
+- 未验证：任何修复或转换策略的实际效果——A/B/C 分流、空行剔除、块边界截断都还没有实现，
+  需要等对应 design 批准后用受控样本测试。