实现 ClinDB 第一批清洗组件

README.md

@@ -6,10 +6,9 @@
 格式噪声、结构损坏、内容异常、修改追踪和多用途派生问题。各项目共享通用清洗能力，再通过独立配置或
 profile 表达论文、政务文档、RAG、文档对比等不同需求。
 
-仓库当前已从纯文档治理进入第一版核心实现阶段：已经提供可安装的 Python 内存处理包和测试，用于验证
-组件组合、精确修改和审计协议，并已有一个严格整行匹配的论文清洗组件。仓库另有一个只供本地评审的实验脚本，
-可以保存指定论文的成功输出、审计和 diff。仓库仍不提供完整规则集、公共命令行工具、通用文件适配器或生产接口，
-因此目前还不是拿来即可完成整篇文档清洗的成品工具。
+仓库当前已从纯文档治理进入第一版核心和 ClinDB 第一批组件实现阶段：已经提供可安装的 Python 内存处理包、
+8 个论文清洗组件和本地实验入口，能够保存指定论文的成功输出、审计和 diff。仓库仍不提供面向任意数据集的完整规则集、
+公共命令行工具、通用文件适配器或生产接口，因此目前还不是拿来即可完成任意 Markdown 清洗的成品工具。
 
 ## 当前阶段
 
@@ -17,14 +16,15 @@ profile 表达论文、政务文档、RAG、文档对比等不同需求。
 
 - 提供可安装的 Python 3.11+ 内存处理包，运行时只依赖标准库；
 - 已实现不可变数据契约、组件基类、原子修改执行器、顺序流水线、审计记录和最终稳定性复查；
-- 当前唯一正式组件是 `paper.arxiv_submission_stamp`，只删除严格整行匹配的 arXiv 提交边栏戳；
+- 已实现 ClinDB 第一批 8 个正式组件，覆盖 Word 批注、手稿行号、arXiv 戳、重复页眉、批准映射断词、
+  HTML 表格实体与布局、参考文献空行；
 - 已有仓库内实验运行层，能严格读取显式清单、保存成功 Markdown、JSON 审计和 unified diff，并保持输入不变；
-- 该组件已对 5 份论文 Markdown 完成保存型实验，只修改 sim 和 springer 各一处，合法参考文献保持不变；
-- 当前基础检查为 Ruff、mypy 和 113 项 pytest 测试，实际命令见本文“当前可用检查”。
+- 第一批流水线已对 5 份论文 Markdown 完成保存型实验，5/5 成功，共记录 155 条修改，第二次运行零修改；
+- 当前基础检查为 Ruff、mypy 和 204 项 pytest 测试，实际命令见本文“当前可用检查”。
 
-项目还没有完整清洗规则集、Markdown/HTML parser、profile 格式、通用文件输入接口、公共 CLI、通用批处理或生产接口。
-当前实验脚本只固定运行已批准的 5 份论文和一个组件；它只能证明第一条严格规则已经闭环，不能据此认为论文、GovDoc、
-表格或图片已经具备完整清洗能力。
+项目还没有面向任意数据集的完整清洗规则集、Markdown/HTML 通用 parser、profile 格式、通用文件输入接口、公共 CLI、
+通用批处理或生产接口。当前 first-batch 实验脚本只固定运行已批准的 5 份论文和 8 个组件；它只能证明当前 8 类确定规则
+已经闭环，不能据此认为论文中的缺失内容、乱码、复杂表格、图片或 GovDoc 已具备完整清洗能力。
 
 ## 服务对象与复用目标
 
@@ -77,21 +77,39 @@ mdpolish/
 │       ├── pipeline.py               # 顺序执行和最终稳定性复查
 │       ├── reporting.py              # JSON 审计、行列位置和 unified diff
 │       ├── artifact_store.py         # 私有产物目录和原子发布
+│       ├── _html_table.py            # 严格 HTML 表格词法范围
+│       ├── _text_ranges.py           # 精确物理行与换行范围
 │       ├── py.typed                   # 类型信息声明
 │       └── components/
 │           ├── __init__.py
-│           └── arxiv_submission_stamp.py
+│           ├── arxiv_submission_stamp.py
+│           ├── html_table_double_escape.py
+│           ├── html_table_layout.py
+│           ├── manuscript_line_number.py
+│           ├── page_break_word_join.py
+│           ├── reference_spacing.py
+│           ├── repeated_running_header.py
+│           └── word_review_comment.py
 ├── scripts/
-│   └── run_clindb_arxiv_experiment.py # 固定 5 份论文的仓库内实验入口
+│   ├── run_clindb_arxiv_experiment.py      # 只含 arXiv 组件的历史实验入口
+│   └── run_clindb_first_batch_experiment.py # ClinDB 第一批 8 组件实验入口
 ├── tests/
 │   ├── test_arxiv_submission_stamp.py
 │   ├── test_artifact_store.py
+│   ├── test_clindb_first_batch_pipeline.py
 │   ├── test_component.py
 │   ├── test_edits.py
 │   ├── test_experiment.py
+│   ├── test_html_table_double_escape.py
+│   ├── test_html_table_layout.py
+│   ├── test_manuscript_line_number.py
 │   ├── test_models.py
+│   ├── test_page_break_word_join.py
 │   ├── test_pipeline.py
-│   └── test_reporting.py
+│   ├── test_reference_spacing.py
+│   ├── test_repeated_running_header.py
+│   ├── test_reporting.py
+│   └── test_word_review_comment.py
 ├── data/                              # 本地测试数据；Git 忽略；此处只展开常用入口
 │   └── md/
 │       ├── dmp.md
@@ -119,12 +137,11 @@ mdpolish/
 3. `research-wiki/README.md`，确认文档应放在哪里；
 4. 与任务直接相关的 `research-wiki/design/` 记录。
 
-第一版核心的当前机制见 `research-wiki/explanation/first-executable-core.md`，首个真实组件见
-`research-wiki/explanation/arxiv-submission-stamp.md`，本地实验产物机制见
+第一版核心机制见 `research-wiki/explanation/first-executable-core.md`，ClinDB 第一批组件见
+`research-wiki/explanation/clindb-first-batch-components.md`，本地实验产物机制见
 `research-wiki/explanation/local-experiment-artifacts.md`，实际运行步骤见
-`research-wiki/guides/run-local-clindb-arxiv-experiment.md`。下一项候选是 ClinDB 范围中的 HTML 实体双重转义，
-但必须先用新 design 确定只在哪些 HTML 范围替换、如何避开字面示例以及实体替换边界。解析器、CLI、文件适配器、
-profile 格式和独立检查能力仍需分别设计；当前本地实验适配器不能被推导成这些公共接口已经获批。
+`research-wiki/guides/run-local-clindb-first-batch-experiment.md`。解析器、CLI、文件适配器、profile 格式、图片资产打包和
+独立检查能力仍需分别设计；当前本地实验适配器不能被推导成这些公共接口已经获批。
 
 ## 当前可用检查
 
@@ -135,7 +152,7 @@ python -m venv .venv
 
 # 第一版核心的基础验收
 .venv/bin/ruff check .
-.venv/bin/mypy src tests scripts/run_clindb_arxiv_experiment.py
+.venv/bin/mypy src tests scripts/run_clindb_arxiv_experiment.py scripts/run_clindb_first_batch_experiment.py
 .venv/bin/pytest
 
 # 两份 Agent 入口除标题外必须一致；无输出且退出码为 0 表示通过
@@ -148,6 +165,6 @@ find research-wiki -maxdepth 2 -type f | sort
 git status --short
 ```
 
-上述安装和三项基础验收已于 2026-08-22 在 Python 3.13.11 环境实际运行：Ruff 通过，mypy 检查 19 个源码、
-测试和实验脚本文件无问题，pytest 共 113 项测试通过。`requires-python` 仍以 `pyproject.toml` 声明的 Python 3.11 及以上为准；
+上述安装和三项基础验收已于 2026-08-22 在 Python 3.13.11 环境实际运行：Ruff 通过，mypy 检查 37 个源码、
+测试和实验脚本文件无问题，pytest 共 204 项测试通过。`requires-python` 仍以 `pyproject.toml` 声明的 Python 3.11 及以上为准；
 本次结果不等于已经在每个受支持版本上完成兼容性验证。