实现 arXiv 提交边栏戳清洗组件
冻结 0004，新增严格整行删除组件和测试，并记录 5 份论文的只读验证结果。同步 ClinDB 清洗范围，并忽略本地 reference 调研副本。
This commit is contained in:
@@ -0,0 +1,219 @@
|
||||
# 0004：arXiv 提交边栏戳自动清洗组件
|
||||
|
||||
## 状态
|
||||
|
||||
已批准并冻结（2026-08-22）。
|
||||
|
||||
本设计使用 `0003` 已实现的组件、精确修改和流水线契约，不改变核心接口。它只决定第一个真实清洗组件的
|
||||
识别边界、删除语义、代码位置和验收方式。
|
||||
|
||||
## 1. 问题与可观察现象
|
||||
|
||||
ClinDB-ReviewBench 的论文转换结果中，有两份 Markdown 保留了 arXiv 提交页的独立边栏戳：
|
||||
|
||||
- Statistics in Medicine/arXiv 文档第 1 行；
|
||||
- Springer/arXiv 文档第 18 行。
|
||||
|
||||
这类行只包含 arXiv 编号、分类和提交日期，不是论文正文。现有只读审计同时确认，Springer 文档后部还有两处
|
||||
合法参考文献包含 `arXiv preprint arXiv:…`。如果只搜索 `arXiv:` 子串并删除整行，会误删参考文献。
|
||||
|
||||
第一版内存核心已经能够安全应用精确删除，但测试中只有假组件。现在需要一个范围足够小的真实组件，验证业务规则
|
||||
能否遵守快照绑定、原子应用、审计记录和幂等约束，而不立即引入 HTML parser、文件适配器或项目 profile。
|
||||
|
||||
本规则在 ClinDB 范围中的权威编号为 H1，见
|
||||
[`CLINDB_REVIEWBENCH_CLEANING_SCOPE.md`](../reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md)。
|
||||
|
||||
## 2. 目标与非目标
|
||||
|
||||
目标：
|
||||
|
||||
- 只删除完整一行的 arXiv 提交边栏戳；
|
||||
- 保留所有未完整满足目标行模式的 arXiv 参考文献、正文和链接；
|
||||
- 保留原文已有的换行风格，不顺带整理空行；
|
||||
- 每个删除位置产生可追踪的候选修改和实际改动记录；
|
||||
- 使用合成样例验证确定性、反向用例和幂等性；
|
||||
- 在本地 5 份论文 Markdown 上做只读、纯内存复核。
|
||||
|
||||
非目标：
|
||||
|
||||
- 不删除一般的 arXiv 引用、论文元数据、封面页或作者信息；
|
||||
- 不识别旧式 arXiv 编号，也不把本组件扩展为通用参考文献清洗器；
|
||||
- 不识别或保护围栏代码、行内代码及其他 Markdown 块结构；
|
||||
- 不提供可配置正则表达式或“删除任意匹配行”的通用组件；
|
||||
- 不实现独立检查、待审标记、人工建议或问题报告；
|
||||
- 不读取文件、目录、PDF、图片、环境变量或网络；
|
||||
- 不建立 profile 格式、CLI、文件输出或审计文件；
|
||||
- 不实现 HTML 实体、Word 批注、行号、表格等其他 ClinDB 规则。
|
||||
|
||||
## 3. 组件身份与代码边界
|
||||
|
||||
组件元数据固定为：
|
||||
|
||||
| 项目 | 决定 |
|
||||
| --- | --- |
|
||||
| Python 类名 | `ArxivSubmissionStampComponent` |
|
||||
| 组件标识 | `paper.arxiv_submission_stamp` |
|
||||
| 初始版本 | `1.0.0` |
|
||||
| 参数 | 空；第一版不允许调用方替换模式或放宽边界 |
|
||||
| 适用范围 | PDF/arXiv 论文转换产生的独立提交戳行；严格整行匹配；排除所有相似文本 |
|
||||
|
||||
新增文件范围：
|
||||
|
||||
```text
|
||||
src/mdpolish/components/
|
||||
├── __init__.py
|
||||
└── arxiv_submission_stamp.py
|
||||
tests/
|
||||
└── test_arxiv_submission_stamp.py
|
||||
```
|
||||
|
||||
`arxiv_submission_stamp.py` 只依赖 `component.py` 和 `models.py`，不导入 `edits.py` 或 `pipeline.py`。组件只提出
|
||||
`ProposedChange`，仍由公共流水线应用。`components/__init__.py` 导出该组件，但顶层 `mdpolish/__init__.py`
|
||||
不新增快捷导出，避免把业务组件和核心契约混在同一命名空间。
|
||||
|
||||
本轮不新增运行依赖，也不创建共享 Markdown parser 或通用行匹配框架。以后第二个组件出现重复定位需求时，
|
||||
再用实际重复代码判断是否需要抽取辅助模块。
|
||||
|
||||
## 4. 什么算目标行
|
||||
|
||||
组件按 Markdown 的物理行扫描。去掉行尾的 `\n`、`\r\n` 或单独 `\r` 后，整行必须匹配以下语义：
|
||||
|
||||
```text
|
||||
arXiv:<四位年份>.<数字编号>v<数字版本> [<ASCII 分类>] <1 至 31 的日> <英文月份缩写> <四位年份>
|
||||
```
|
||||
|
||||
对应第一版正则表达式：
|
||||
|
||||
```regex
|
||||
^arXiv:[0-9]{4}\.[0-9]+v[0-9]+ \[[A-Za-z0-9_.-]+\] (?:[1-9]|[12][0-9]|3[01]) (?:Jan|Feb|Mar|Apr|May|Jun|Jul|Aug|Sep|Oct|Nov|Dec) [0-9]{4}$
|
||||
```
|
||||
|
||||
这里有意使用 ASCII 字符范围和月份白名单，不使用 Python 默认的 Unicode `\w`。目标是识别已知提交戳格式，
|
||||
不是验证 arXiv 元数据的真实性，也不校验日期是否真实存在。例如 `31 Feb` 仍满足形状规则；组件不访问外部日历或
|
||||
arXiv 服务。
|
||||
|
||||
以下差异均不匹配：
|
||||
|
||||
- 行首或行尾存在空格；
|
||||
- 前面有列表、引用或标题标记；
|
||||
- 缺少版本、分类或日期；
|
||||
- 使用旧式编号；
|
||||
- `arXiv:` 出现在句子、链接或参考文献中；
|
||||
- 月份不是表中 12 个英文缩写之一。
|
||||
|
||||
严格拒绝相似文本的代价是可能漏掉格式稍有变化的边栏戳。第一版接受漏删，不通过自动 `strip()`、大小写忽略或
|
||||
宽松日期模式提高命中率。以后真实样本出现新格式时，应补证据、更新组件版本和测试，而不是悄悄放宽模式。
|
||||
|
||||
第一版不解析围栏代码、HTML 注释、YAML front matter 或其他 Markdown 块。只要某个物理行完整满足上述模式，
|
||||
无论它处于什么 Markdown 结构中都会命中。当前范围不要求保护这些结构；以后出现需要保留的真实反例时，应重新
|
||||
评审识别边界，不能在实现中临时增加例外。
|
||||
|
||||
## 5. 精确删除与换行语义
|
||||
|
||||
每个命中行产生一个 `ProposedChange`，其中只有一个删除型 `TextEdit`：
|
||||
|
||||
- 范围从该行第一个字符开始；
|
||||
- 如果该行带 `\n`、`\r\n` 或 `\r`，范围同时包含它自己的行尾；
|
||||
- 如果末行没有行尾，只删除该行文字；
|
||||
- `expected_text` 是范围内的完整原文；
|
||||
- `replacement` 是空字符串；
|
||||
- 修改理由固定为“删除完整匹配的 arXiv 提交边栏戳”。
|
||||
|
||||
该规则带来以下可预测结果：
|
||||
|
||||
| 输入形态 | 删除后的边界 |
|
||||
| --- | --- |
|
||||
| `stamp\n正文` | `正文` |
|
||||
| `正文\nstamp\n后文` | `正文\n后文` |
|
||||
| `正文\r\nstamp\r\n后文` | `正文\r\n后文` |
|
||||
| `正文\nstamp` | `正文\n` |
|
||||
| 只有 `stamp` | 空字符串 |
|
||||
|
||||
末行没有行尾时保留前一行已有的行尾。它是原文的一部分，不是多余空白；这样也能保证相邻多个命中行的删除范围
|
||||
互不重叠。组件不合并前后空行，不统一换行符，也不改变未命中的任何字符。
|
||||
|
||||
多个候选按原文位置从前到后返回。公共执行器仍把当前组件的全部候选作为一个原子批次：任何候选过期、冲突或
|
||||
原文不符时，本次组件修改全部不应用。
|
||||
|
||||
## 6. 审计、确定性与幂等性
|
||||
|
||||
组件不生成随机 ID，不读取外部状态。相同 Markdown、组件版本和空参数必须产生相同顺序、相同范围、相同理由的
|
||||
候选修改。
|
||||
|
||||
每个命中行单独成为一个候选修改，便于审计记录把一条删除对应到一个原始物理行。流水线分配确定性候选引用，
|
||||
实际 `Change` 继续记录组件身份、理由、原文、空替换和批次前后哈希。
|
||||
|
||||
成功删除后，目标行已经不存在；同一组件在最终复查和再次运行时均不得产生新修改。这里的幂等性同时通过组件
|
||||
测试和单组件 `Pipeline` 测试验证，不增加组件自己的 `transform()` 快捷入口。
|
||||
|
||||
## 7. 方案比较
|
||||
|
||||
### 7.1 全局删除含 `arXiv:` 的行
|
||||
|
||||
实现最短，但会删除合法参考文献和正文，已有反向样本已经证明不可接受。不采用。
|
||||
|
||||
### 7.2 允许项目传入正则表达式
|
||||
|
||||
看似通用，实际把误删边界交给每个调用方，并使相同组件版本可以表现出完全不同的语义。第一版也没有配置或
|
||||
profile 契约。不采用。
|
||||
|
||||
### 7.3 严格整行匹配，不识别 Markdown 块结构
|
||||
|
||||
修法唯一、定位精确，只使用标准库即可实现，已知参考文献不会命中。代价是围栏代码或其他 Markdown 块内如果恰好
|
||||
出现完整目标行也会被删除；当前范围没有保护这些结构的需求，因此不为假设场景增加扫描逻辑。采用。
|
||||
|
||||
### 7.4 先引入 Markdown parser
|
||||
|
||||
完整 parser 可以更准确识别代码、HTML 和其他块，但为删除两个格式固定的物理行引入运行依赖和方言选择，代价
|
||||
明显超过收益。不采用；复杂表格组件另行设计 parser。
|
||||
|
||||
## 8. 测试与验收
|
||||
|
||||
合成测试至少覆盖：
|
||||
|
||||
- 空 Markdown 和完全不含目标的 Markdown 返回零修改 `success`；
|
||||
- 目标行位于首行、中间、带行尾的末行和不带行尾的末行；
|
||||
- `\n`、`\r\n` 和单独 `\r` 三种行尾保持原有风格；
|
||||
- 同一文档含多个目标行，候选和 `Change` 按原文顺序记录且批次原子应用；
|
||||
- 合法参考文献 `arXiv preprint arXiv:…` 保留；
|
||||
- 行首/行尾空格、缺字段、旧式编号、错误月份和其他相似行保留；
|
||||
- 审计记录包含固定组件标识、版本、理由、删除原文和批次哈希；
|
||||
- 单组件 `Pipeline` 成功后最终复查无残留候选；
|
||||
- 对成功输出再次运行，内容不变且没有实际 `Change`；
|
||||
- 相同输入重复运行得到相同有序结果。
|
||||
|
||||
基础检查继续使用根目录 README 的唯一命令，并要求 Ruff、mypy、pytest 全部通过。
|
||||
|
||||
实现完成后，对本地 5 份论文 Markdown 做一次只读、纯内存验证：
|
||||
|
||||
1. 不复制、不改名、不写回任何真实文档；
|
||||
2. 不把原文片段加入测试、日志或提交；
|
||||
3. 预期只命中 sim 第 1 行和 springer 第 18 行，共两处；
|
||||
4. 复核 springer 两处合法 arXiv 参考文献保持原样；
|
||||
5. 复核除两条完整目标行外没有其他 diff；
|
||||
6. 只记录输入文件范围、组件版本、命中数量、未命中反例数量和验证结论。
|
||||
|
||||
如果真实验证结果与上述计数不一致，停止实施收尾，回到 design 或 reference 核对原因，不能放宽测试来适配结果。
|
||||
|
||||
## 9. 风险与代价
|
||||
|
||||
- **严格模式会漏删变体：** 这是有意选择；没有证据的新格式保持原样。
|
||||
- **整行相同的正文仍可能误删：** 严格的完整格式降低风险，但无法证明未来正文不会独立引用同一字符串；
|
||||
因此组件定位为论文转换规则，不进入尚不存在的全局默认 profile。
|
||||
- **不保护围栏代码或其他 Markdown 块：** 其中如果出现完整目标行也会命中；当前范围接受这一代价，出现真实反例后
|
||||
再重新评审，不在本组件内预建通用保护机制。
|
||||
- **真实数据验证不进入自动测试：** 避免提交客户或项目材料；合成测试负责稳定契约，真实材料只做本地只读复核。
|
||||
- **第一条真实规则覆盖面很小：** 它优先验证扩展和审计闭环，不追求清洗率。下一候选是 HTML 实体双重转义，
|
||||
仍需单独 design 确定 HTML 范围和实体替换边界。
|
||||
|
||||
## 10. 批准后的实施边界
|
||||
|
||||
批准本设计只授权：
|
||||
|
||||
1. 创建第 3 节列出的组件和测试文件；
|
||||
2. 按第 4 至 6 节实现无外部依赖的精确删除组件；
|
||||
3. 运行第 8 节合成测试和本地 5 份论文的只读、纯内存验证；
|
||||
4. 根据真实实现更新 README 当前阶段和 `explanation/` 当前机制。
|
||||
|
||||
批准不授权实现其他清洗规则、共享 parser、profile、文件读写、CLI、独立检查或人工建议；不授权保存真实清洗
|
||||
输出、修改真实数据、提交、推送或发布。
|
||||
@@ -0,0 +1,76 @@
|
||||
# arXiv 提交边栏戳为什么能自动删除
|
||||
|
||||
## 1. 可观察的问题
|
||||
|
||||
部分 arXiv 论文转换为 Markdown 后，会把提交页边栏中的编号、分类和日期留下来，形成一整行独立文字。它不是
|
||||
论文正文，却会进入后续分块、检索和对比。与此同时，论文参考文献也可能包含 `arXiv:`；只要见到这个子串就删行，
|
||||
会损坏合法引用。
|
||||
|
||||
当前组件只处理前一种格式固定的独立行。它的决策来自已批准的
|
||||
[`0004-arxiv-submission-stamp-component.md`](../design/0004-arxiv-submission-stamp-component.md)，项目范围编号为 H1。
|
||||
精确模式、类名和返回对象以
|
||||
[`arxiv_submission_stamp.py`](../../src/mdpolish/components/arxiv_submission_stamp.py) 及其
|
||||
[`测试`](../../tests/test_arxiv_submission_stamp.py) 为准。
|
||||
|
||||
## 2. 当前识别边界
|
||||
|
||||
组件逐个读取物理行，只在整行同时具有以下结构时提出删除：
|
||||
|
||||
```text
|
||||
arXiv:<新版数字编号和版本> [<ASCII 分类>] <日> <英文月份缩写> <四位年份>
|
||||
```
|
||||
|
||||
首尾空格、列表或引用前缀、缺少版本、旧式编号、错误月份以及句子中的 `arXiv:` 都不会命中。组件没有参数，
|
||||
调用方不能传入更宽松的正则表达式改变同一版本的语义。
|
||||
|
||||
当前版本有意不解析 Markdown 块结构。围栏代码、HTML 注释或其他块中如果存在一行完整目标文字，同样会被删除。
|
||||
这是 `0004` 明确接受的代价，不是实现遗漏。以后出现必须保留的真实反例时，需要重新评审识别边界并更新组件版本。
|
||||
|
||||
## 3. 删除如何保持原文边界
|
||||
|
||||
每个命中行产生一个候选修改和一个删除型文本编辑。删除范围包含该行自己的 `\n`、`\r\n` 或单独 `\r`；
|
||||
没有行尾的末行只删除文字，不拿走前一行已有的行尾。
|
||||
|
||||
| 输入位置 | 当前行为 |
|
||||
| --- | --- |
|
||||
| 首行且有行尾 | 连同行尾删除，后续正文成为首行 |
|
||||
| 文档中间 | 连同目标行自己的行尾删除，前后内容保持两行 |
|
||||
| 末行且没有行尾 | 只删除目标文字，保留前一行原有行尾 |
|
||||
| 多个目标行 | 每行一个候选，按原文顺序记录，作为一个组件批次原子应用 |
|
||||
|
||||
组件不整理空行、不统一换行符，也不改变未命中的字符。候选修改绑定当前快照哈希和准确原文，仍由公共修改执行器
|
||||
验证和应用；组件本身没有文件读写或独立 `transform()`。
|
||||
|
||||
## 4. 审计与稳定性
|
||||
|
||||
组件标识为 `paper.arxiv_submission_stamp`，版本为 `1.0.0`，参数为空。每条实际删除记录固定理由，并保留删除原文、
|
||||
原始范围、组件位置以及批次修改前后的哈希。
|
||||
|
||||
删除完成后目标行已经不存在。流水线最终复查不应再得到候选修改；把成功输出再次交给同一组件，也应保持原文不变
|
||||
且产生零条实际改动。
|
||||
|
||||
## 5. 已完成验证
|
||||
|
||||
合成测试覆盖严格匹配、反向引用、首行/中间/末行、三种行尾、多个命中、围栏中仍删除、审计字段、确定性和
|
||||
第二次运行零修改。测试只使用短小的虚构字符串，不含真实论文片段。
|
||||
|
||||
2026-08-22 又对本地 5 份 ClinDB-ReviewBench Markdown 做了只读、纯内存复核：
|
||||
|
||||
| 复核项 | 结果 |
|
||||
| --- | --- |
|
||||
| 输入范围 | dmp、jama、ejhf、sim、springer 各 1 份，共 5 份 |
|
||||
| 实际删除 | sim 1 行、springer 1 行，其余 0 行，共 2 行 |
|
||||
| 合法反向样例 | springer 的 2 处 `arXiv preprint arXiv:` 修改前后均保留 |
|
||||
| 第二次运行 | 5 份合计 0 条修改 |
|
||||
| 源文件复读 | 5/5 与处理前内存内容一致，没有回写 |
|
||||
|
||||
本次没有保存清洗后 Markdown，没有把真实原文复制进测试、日志或仓库。安装、静态检查和完整测试命令仍只在根目录
|
||||
[`README.md`](../../README.md#当前可用检查) 维护。
|
||||
|
||||
## 6. 剩余边界
|
||||
|
||||
这个组件只证明第一条严格删除规则能够在公共核心上闭环，不表示论文已经清洗完成。HTML 实体、Word 批注、手稿
|
||||
行号、断词、表格和参考文献间距仍未实现；文件输出、profile 和批处理也不存在。
|
||||
|
||||
如果出现新的提交戳格式，默认行为是保留。必须先补充真实证据、反向样例和 design，再决定是否放宽模式，不能为了
|
||||
提高命中数量直接修改正则表达式。
|
||||
@@ -6,7 +6,8 @@
|
||||
旧位置还可能在文本变化后误中另一段内容；同一批修改发生重叠时，按不同顺序执行也可能得到不同结果。
|
||||
|
||||
当前核心把“判断应该改什么”和“安全地执行修改”分开：组件只描述绑定当前文本的精确修改，公共执行器统一
|
||||
验证并应用。这样可以在不引入真实清洗规则、文件读写或 Markdown parser 的情况下，先让组合与审计协议可运行。
|
||||
验证并应用。核心建立时先不引入真实清洗规则、文件读写或 Markdown parser，让组合与审计协议独立可运行；
|
||||
现在第一个真实组件已经在这套协议上完成验证，没有改变核心接口。
|
||||
|
||||
已经实现的范围来自已批准的
|
||||
[`0003-first-executable-core-architecture.md`](../design/0003-first-executable-core-architecture.md)。精确类名、字段和
|
||||
@@ -132,15 +133,17 @@
|
||||
|
||||
## 8. 当前验证和剩余边界
|
||||
|
||||
核心测试使用短小的假组件，不包含或复制真实文档。测试已经覆盖空文本、中文和组合 Unicode、插入/删除/替换、
|
||||
范围冲突、过期哈希、批次原子性、组件连锁影响、错误阶段、审计关联和成功结果再次运行等行为。
|
||||
核心测试继续使用短小的假组件，不包含或复制真实文档。它们覆盖空文本、中文和组合 Unicode、插入/删除/替换、
|
||||
范围冲突、过期哈希、批次原子性、组件连锁影响、错误阶段、审计关联和成功结果再次运行等行为。首个真实组件另用
|
||||
合成样例测试，并在本地真实材料上只读复核；机制与结果见
|
||||
[`arxiv-submission-stamp.md`](arxiv-submission-stamp.md)。
|
||||
|
||||
实际可用的安装与验收命令、最近一次验证日期和结果只在根目录
|
||||
[`README.md`](../../README.md#当前可用检查) 维护。
|
||||
|
||||
当前仍然没有：
|
||||
|
||||
- 论文、GovDoc、HTML 表格或其他真实清洗组件；
|
||||
- 除严格删除 arXiv 提交边栏戳外的其他论文、GovDoc 或 HTML 表格清洗组件；
|
||||
- 独立文档检查、人工建议或审核流程；
|
||||
- Markdown parser、AST 或共享业务中间表示；
|
||||
- 文件读写、CLI、批处理、项目 profile 格式和生产集成；
|
||||
|
||||
@@ -1,8 +1,8 @@
|
||||
# ClinDB-ReviewBench 清洗目标（第一版）
|
||||
|
||||
> 性质：reference——本项目清洗范围的权威查询事实。
|
||||
> 权威关系：本文只定义 ClinDB-ReviewBench 第一版"洗什么、不洗什么"；清洗语义的方案比较与批准记录
|
||||
> 属于 `research-wiki/design/`（尚未建立），实现后的运行方式属于 `explanation/` 与 `guides/`。
|
||||
> 权威关系：本文只定义 ClinDB-ReviewBench 第一批自动清洗"洗什么、不洗什么"；清洗语义的方案比较与批准记录
|
||||
> 属于 `research-wiki/design/`，实现后的运行方式属于 `explanation/` 与 `guides/`。未来只读检查不属于当前批次。
|
||||
> 依据：`research-wiki/scratch/data-5papers-cleaning-audit-2026-08-21.md`（问题编号 A–H 沿用该审计）。
|
||||
|
||||
## 1. 项目定位
|
||||
@@ -16,22 +16,22 @@ ClinDB-ReviewBench 是师姐的论文清洗项目。`data/` 下当前 5 份 DOI
|
||||
|
||||
## 2. 第一版清洗目标
|
||||
|
||||
第一版只做"全自动、规则确定、可安全执行"的问题（审计第一档，共 9 类）。
|
||||
第一版只做"全自动、规则确定、可安全执行"的问题（审计第一档中的 8 类自动修改）。
|
||||
判定标准是三条同时满足：模式可用确定规则描述；不依赖对正文语义的理解；改错可以从 diff 直接看出。
|
||||
|
||||
| # | 问题（审计编号） | 规则要点 | 触发范围（本轮实测） |
|
||||
|---|---|---|---|
|
||||
| 1 | HTML 实体双重转义（D2） | `&gt;`→`>`、`&lt;`→`<`、`&amp;`→`&`，还原一层；幂等 | dmp L27/L33 共 23 处、ejhf L143 共 8 处，全部在 `<table>` 行内 |
|
||||
| 2 | arXiv 边栏戳（H1） | 整行匹配 `^arXiv:\d{4}\.\d+v\d+ \[[\w.-]+\] \d{1,2} \w{3} \d{4}$` 才删除；编号条目内的 "arXiv preprint arXiv:…" 不在行首、不受影响 | sim L1、springer L18；springer L143/L152 是合法参考文献，必须不误删 |
|
||||
| 2 | arXiv 边栏戳（H1） | 只有整行满足 `design/0004-arxiv-submission-stamp-component.md` 第 4 节的严格格式才删除；编号条目内的 "arXiv preprint arXiv:…" 不受影响 | sim L1、springer L18；springer L143/L152 是合法参考文献，必须不误删 |
|
||||
| 3 | Word 审阅批注（B2） | 以 `Commented [xx]:` 开头的行及其批注正文整块删除 | jama L155–157 共 2 处 |
|
||||
| 4 | 手稿行号（B1） | 仅剥离**单调递增序列**的行首 `^\d{1,3} ` 与标题内 `^#{1,6} \d{1,3} `；序列中断即停并标记待审，防止误伤正文数字（如 "35 pediatric experts"） | jama 128 行正文 + 6 个标题（L127/149/151/165/193/195） |
|
||||
| 4 | 手稿行号（B1） | 仅剥离**单调递增序列**的行首 `^\d{1,3} ` 与标题内 `^#{1,6} \d{1,3} `；序列中断即停止提出后续修改，防止误伤正文数字（如 "35 pediatric experts"） | jama 128 行正文 + 6 个标题（L127/149/151/165/193/195） |
|
||||
| 5 | 跑动页眉（C4） | 同一文本行原样重复 ≥2 次（且非正文引用对象）判为页眉，删除并把被切断的上下文段落接回 | dmp L73/L191（"MSOFA Score for Critical Care Triage"），L71→L75 句子被切断 |
|
||||
| 6 | 单行 HTML 表格展开（D1） | 无 rowspan/colspan 的表转多行 GFM；含合并属性的表保留 HTML 但按 `<tr>` 换行缩进；内容一字不改 | 全部 9 个表：dmp 7、ejhf 1、springer 1 |
|
||||
| 7 | 跨页断词（E2） | 行尾连字符 + 下一行首小写字母 → 合并；仅在拼出的词能通过英文词表校验时执行，否则保留原样并标记 | dmp L125/127（thresh-olds）、sim L87/89（possi-bly）、L217/219（cre-ated） |
|
||||
| 7 | 跨页断词（E2） | 行尾连字符 + 下一行首小写字母 → 合并；仅在拼出的词能通过英文词表校验时执行，否则保留原样且不提出修改 | dmp L125/127（thresh-olds）、sim L87/89（possi-bly）、L217/219（cre-ated） |
|
||||
| 8 | 参考文献分隔统一（G3） | `^\d+\. ` 条目之间统一一个空行 | dmp refs 19–33、springer refs 9–19（连续堆叠段） |
|
||||
| 9 | 图片断链校验（H3，仅校验） | 检查 `../images/*.jpg` 引用的文件是否存在，输出断链报告；不移动、不复制、不改写任何图片 | 全部 8 处引用（dmp 1、ejhf 1、sim 2、springer 4） |
|
||||
|
||||
第 9 项是只读校验：它修复不了任何东西，输出的是"哪些文档的图片资产已损坏"清单。
|
||||
本表只包含当前自动清洗核心能够承载的修改。原审计中的图片断链校验修复不了 Markdown，已移到第 3 节等待
|
||||
未来独立 Inspector 设计，不计入这 8 类自动清洗目标。
|
||||
|
||||
## 3. 明确不洗（第一版非目标）
|
||||
|
||||
@@ -48,18 +48,20 @@ ClinDB-ReviewBench 是师姐的论文清洗项目。`data/` 下当前 5 份 DOI
|
||||
"自动检测+人工确认"，等第一档验证后再立项。
|
||||
- **封面页（H2）**：ejhf L1–11 的仓库封面区第一版不删——它是整块连续的正文区，删除逻辑
|
||||
与页眉类噪声不同，归入后续批次。
|
||||
- **图片断链校验（H3）**：全部 8 处图片引用是否存在属于未来只读检查；当前核心不读取图片资产、不输出断链
|
||||
报告，也不移动、复制或改写图片。需要该结果时先新增平行 Inspector 设计。
|
||||
- **一切内容改写**：原文写作瑕疵、欧式千分位、拼写（含 "Conounder"）不属于转换噪声，永不由清洗工具修改。
|
||||
|
||||
## 4. 输入输出边界
|
||||
|
||||
- 输入：`data/<转换结果目录>/markdowns/*.md`，原文件只读；
|
||||
- 输出：清洗结果写入独立输出位置（具体目录待 design 批准后确定），不回写、不覆盖原文件；
|
||||
- 图片资产只校验存在性，不复制进仓库、不修改路径（路径改写是后续批次的独立决策）；
|
||||
- 每处修改必须可追踪（规则编号 + 原文/改后对照），保证审计和回滚。
|
||||
- 项目输入位于 `data/<转换结果目录>/markdowns/*.md`，原文件只读；
|
||||
- 当前核心只接收内存 Markdown 字符串并返回内存结果；文件输出位置和保存流程尚未设计，不回写、不覆盖原文件；
|
||||
- 当前批次不读取图片资产；未来 Inspector 和路径改写分别设计；
|
||||
- 每处实际修改必须在内存结果中记录组件、理由、原文、改后内容和批次哈希，保证可追踪。
|
||||
|
||||
## 5. 验收口径（第一版）
|
||||
|
||||
- 上述 9 类问题在本轮 5 份文件上的触发处全部按规则处理，处理数与审计报告的实测数字一致；
|
||||
- 上述 8 类问题在本轮 5 份文件上的触发处全部按规则处理，处理数与审计报告的实测数字一致；
|
||||
- 5 份文件中未被任何规则命中的正文零变更——除表中列出的触发处外不得有任何其他 diff；
|
||||
- 幂等性：同一输入清洗两次，第二次产出与第一次完全一致；
|
||||
- 规则 2（arXiv 戳）在 springer 上的验收必须包含反向用例：L143/L152 参考文献原文保留；
|
||||
@@ -68,6 +70,6 @@ ClinDB-ReviewBench 是师姐的论文清洗项目。`data/` 下当前 5 份 DOI
|
||||
|
||||
## 6. 与审计报告的编号对应
|
||||
|
||||
本文的 9 类规则对应 `scratch/data-5papers-cleaning-audit-2026-08-21.md` 的决策清单行：
|
||||
D2、H1、B2、B1、C4、D1、E2、G3、H3。该审计是 scratch 材料，本文引用其编号仅为便于追溯，
|
||||
权威以本文为准。
|
||||
本文的 8 类自动清洗规则对应 `scratch/data-5papers-cleaning-audit-2026-08-21.md` 的决策清单行：
|
||||
D2、H1、B2、B1、C4、D1、E2、G3。H3 保留为未来只读检查候选。该审计是 scratch 材料，本文引用其编号
|
||||
仅为便于追溯，权威以本文为准。
|
||||
|
||||
Reference in New Issue
Block a user