diff --git a/README.md b/README.md index 057c861..62e08d9 100644 --- a/README.md +++ b/README.md @@ -1,9 +1,14 @@ # govdoc-md-cleaner -政务文档 PDF→Markdown 清洗方向的独立研究与治理仓库。 +实验室共用的 Markdown 清洗研究与基础工具库。仓库名沿用了最初的 GovDoc 场景，但项目不属于 GovDoc +专用组件，也不只服务政务文档。 -本仓库用于澄清清洗问题、记录设计选择、积累可复核证据，并在方案获得确认后再建立实现。 -它目前不是可安装的 Python 包，也不提供命令行工具或生产接口。 +本仓库面向实验室内不同项目复用，用于清洗 PDF、DOCX、OCR、网页等上游管线生成的 Markdown，统一解决 +格式噪声、结构损坏、内容异常、来源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。 + +仓库当前仍处于研究和方案设计阶段：用于澄清问题、记录设计选择、积累可复核证据，并在方案获得确认后 +再建立实现。它目前不是可安装的 Python 包，也不提供命令行工具或生产接口。 ## 当前阶段 @@ -13,16 +18,53 @@ - `AGENTS.md` 与 `CLAUDE.md` 提供同步的协作规则； - `research-wiki/` 按文档生命周期区分设计、说明、参考、指南和草稿； - `research-wiki/design/0001-repository-foundation.md` 记录本次基础架构选择。 +- `research-wiki/reference/GOVDOC_SAAS_CLEANING_SCOPE.md` 保存 45 份外部测试 Markdown 的只读问题审计； +- `research-wiki/scratch/markdown-cleaning-ecosystem-research-2026-08-20.md` 完成首轮生态与架构调研。 +- 2026-08-21 完成师姐项目（ClinDB-ReviewBench）5 份论文 Markdown 的问题审计 + （`research-wiki/scratch/data-5papers-cleaning-audit-2026-08-21.md`），并确定其第一版清洗范围 + （`research-wiki/reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md`，9 类确定性规则）。 +- 2026-08-21 明确本项目定位为实验室共用库；GovDoc 和论文清洗都是使用场景，不是核心边界。 -当前没有清洗算法、可执行命令、运行依赖、测试套件或已批准的输入输出契约。 +当前没有清洗算法、可执行命令、运行依赖、测试套件或已批准的输入输出契约。调研报告中的技术组合、 +内部 IR、profiles 和实施路线均是候选方案，尚未批准。 目录存在只代表文档落点已经建立，不代表相应能力已经完成。 -## 项目边界 +## 服务对象与复用目标 -- 研究对象是 MinerU、OCR 等 PDF→Markdown 管线产生的噪音与清洗方法； -- `/home/lihaoze/gov_test_data` 中的真实材料属于外部只读数据，不复制、不修改、不提交； -- 任何清洗语义、规则格式、评估指标、代码目录或运行依赖，都应先形成设计记录并获得确认； -- 研究结果只有经过独立评审后，才能进入其他产品或生产仓库。 +当前已经明确的使用场景包括： + +- **论文清洗**：`data/` 中现有内容来自师姐的项目，包含论文 PDF 的 Markdown、JSON、图片等转换产物； +- **GovDoc**：政务、招投标、采购、合同等文档的清洗、比对和 RAG 前处理； +- **未来实验室项目**：后续可以继续接入其他需要 Markdown 质量检查、规范化或用途派生的项目数据。 + +当前用例只用于发现真实问题和验证通用能力，不能反过来限定库的设计。核心代码不得依赖论文 DOI、 +GovDoc 目录、具体客户名称或某一转换器的固定输出路径。 + +## 面向复用的设计原则 + +- **通用核心**：编码检查、Markdown/HTML 结构解析、异常检测、可审计变换、资产校验和来源追踪； +- **输入适配器**：不同 PDF/OCR/DOCX/HTML 转换器通过 adapter 接入，不把某个上游工具写死； +- **项目 profile**：论文、GovDoc、对比、RAG、公开脱敏等规则独立组合，不互相污染默认行为； +- **保真优先**：不确定内容默认保留或进入人工确认，不能为了格式整齐改写业务或学术内容； +- **可复现**：规则、配置、输入哈希、输出和每次变更都可以追踪； +- **可扩展**：新增项目应主要增加 adapter、detector、transformer 或 profile，而不是复制一套清洗器。 + +## `data/` 的职责 + +`data/` 是实验室项目的本地数据工作区。当前存放师姐论文清洗项目的输入和转换产物，未来可能继续加入 +其他项目的数据。新增数据时应逐步按项目命名空间组织，例如 `data//...`，避免不同项目的 +输入、产物和评测结果混在一起。 + +数据目录与通用库保持以下边界： + +- `data/` 已被 Git 忽略，不作为库源码、公开 fixture 或发布包的一部分； +- 默认把项目数据视为只读输入，清洗结果写到独立输出位置，不覆盖原文件； +- 数据可以推动通用规则设计，但项目专属规则必须进入对应 profile； +- 测试需要的公开样例应单独制作脱敏、最小化 fixture，不能直接复制真实项目文档； +- `/home/lihaoze/gov_test_data` 等仓库外真实材料同样保持只读，不复制、不修改、不提交。 + +任何清洗语义、规则格式、评估指标、代码目录或运行依赖，都应先形成设计记录并获得确认。研究结果进入 +具体项目或生产系统前，还需要在使用方范围内独立验证。 ## 目录结构 @@ -31,6 +73,7 @@ govdoc-md-cleaner/ ├── AGENTS.md ├── CLAUDE.md ├── README.md +├── data/ # 本地项目数据；Git 忽略，未来按项目分区 └── research-wiki/ ├── README.md ├── design/ # 方案选择与冻结决策 @@ -49,7 +92,8 @@ govdoc-md-cleaner/ 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。 -下一项实质工作开始前，应新增下一编号的 design，明确问题、备选方案、输入范围、验收方法和非目标。 +下一项实质工作开始前，应以现有论文数据、GovDoc 审计和生态调研为输入新增下一编号的 design，明确 +通用核心与项目 profile 的边界、第一阶段范围、技术选型、输入输出、验证方法和非目标，并等待批准。 ## 当前可用检查 diff --git a/research-wiki/reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md b/research-wiki/reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md new file mode 100644 index 0000000..381ab72 --- /dev/null +++ b/research-wiki/reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md @@ -0,0 +1,73 @@ +# 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/`。 +> 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 + +ClinDB-ReviewBench 是师姐的论文清洗项目。`data/` 下当前 5 份 DOI 命名的论文 Markdown +（JAMA、EJHF、Statistics in Medicine/arXiv、Springer/arXiv、Disaster Med Public Health Preparedness） +是它的首批输入，未来会继续扩充同源转换产物。 + +本仓库（govdoc-md-cleaner）为该项目的数据提供清洗能力；ClinDB-ReviewBench 通过 profile +表达论文场景的规则组合，不把论文专属规则写进通用核心。 + +## 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）。 +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 `` 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 | +| 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） | +| 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 `` 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） | +| 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。 + +## 3. 明确不洗（第一版非目标） + +以下问题已确认存在但**不在**第一版范围内，避免实施时范围蔓延： + +- **内容级缺失（A1–A4）**：截断、表格整体缺失、图转表格、句子丢失。清洗无法恢复内容， + 处置方式（重新转换 / 标记 / 人工补录）由项目负责人决定，不由清洗管线代劳。 +- **修订语义（B3）**："defined identified by as" 等修订残留词对，哪个词是定稿词需对照定稿版判断。 +- **占位符与坏日期（B4/B5）**：等待定稿填充，清洗只可检测。 +- **乱码修复（C3/E1）**：泰文标题 `## ่วง`、`ينDS Hospital`，需要人工对照 PDF 替换。 +- **表格结构修复（D3–D5）**：空单元格、错误合并行、OCR 表头错字，需人工对照原文。 +- **空行断句合并（E3）**、**层级重建（C1）**、**标题合并（C2）**、**孤行公式编号（F1）**、 + **公式空格与纠错（F2–F4）**、**上标风格统一（G1）**、**数字格式（G2）**：属于第二档 + "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。 +- **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。 + +## 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； +- 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； +- 规则 4（行号）验收必须包含反向用例：正文中的 "35 pediatric experts"、"10 sites"、"4 continents" + 等数字开头/含数字短语不受影响。 + +## 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。 diff --git a/research-wiki/reference/GOVDOC_SAAS_CLEANING_SCOPE.md b/research-wiki/reference/GOVDOC_SAAS_CLEANING_SCOPE.md new file mode 100644 index 0000000..3bc0359 --- /dev/null +++ b/research-wiki/reference/GOVDOC_SAAS_CLEANING_SCOPE.md @@ -0,0 +1,396 @@ +# 7 组对比测试文档 Markdown 清洗审计与实施规范 + +- 审计日期：2026-08-20 +- 审计目录：`/home/lihaoze/gov_test_data/compare` +- 清洗对象：7 个测试用例中 `uploads/` 下的 45 份 Markdown +- 背景资料：`compare/readme.md` 与各用例 `README.md` +- 本次操作：只读审计；没有修改任何原始测试文档 + +## 1. 结论摘要 + +这批 Markdown 目前不适合直接作为“语义可靠”的清洗后基准。问题并不只是在空格、换行和标题层级，而是同时存在以下几类高风险污染： + +1. **内容级污染**：至少 32/45 份文件命中了保守的模型幻觉特征词，合计 1,703 次；典型内容包括 `The quick brown fox...`、勾股定理说明、`The image contains...`、`The steps are:` 等与投标文件无关的文本。 +2. **图像内容丢失**：45/45 份文件都有图片引用，共 8,471 个，但目录中没有任何图片资产；其中 4,012 个引用只是字面量 `data:image/...;base64...`，并不包含可解码数据。 +3. **表格结构损坏**：41 份文件含原始 HTML 表格，共 7,550 个 `
`；35/41 份存在 `
//` 101,760，`` 101,019。 +- `` 656,575。 +- 35/41 份含 HTML 表格的文件至少有一类标签不平衡；7 份连 table 层级都不平衡。 + +001 最严重： + +- `file_0`：`table=1315/1124`。 +- `file_1`：`table=1281/1080`。 + +清洗要求： + +1. 使用容错 HTML 解析器构建 DOM，记录解析器自动补齐了哪些标签；禁止用正则直接替换所有表格标签。 +2. 对每个表格校验 `rowspan/colspan` 展开后的网格是否矩形、行列数是否与表头一致、单元格顺序是否可追溯。 +3. 简单矩形表格可转为 GFM；包含合并单元格、斜线表头、嵌套结构的表格应保留规范化 HTML，或另存为结构化 JSON。强行转 GFM 会丢失语义。 +4. 一行一个完整 HTML 表格应格式化为多行结构，避免长行拖垮分块器和 diff，但换行必须发生在 DOM 节点之间。 +5. 类似 `004-2/file_0` 第 613 行中“国家、职位、导演、客户”等明显不符合资格审查表语境的表头，应回源确认，不能只修标签。 + +### 4.5 T002：GFM 表格行列数不一致 + +优先级：P1。 + +007 四份文件共有 203 个连续 GFM 表格块、2,792 个表格行，至少 60 个表格块出现不同行拥有不同列数： + +- `file_0`：36 个块，21 个不一致。 +- `file_1`：55 个块，20 个不一致。 +- `file_2`：42 个块，7 个不一致。 +- `file_3`：70 个块，12 个不一致，另有 2 个块缺分隔行。 + +此外，`002-21/file_7` 有一个 584 行的大型 GFM 表格，同时出现 3 列和 5 列；`002-21/file_3` 也有不一致的孤立表格块。 + +这通常是把 Word/PDF 合并单元格硬投影到 GFM 的结果。清洗器应先恢复二维网格；无法无损表达的表格应改用规范 HTML/JSON，而不是补若干空 `|` 来“通过语法检查”。 + +### 4.6 H001：标题层级扁平、标题断裂和错误标题 + +优先级：P1。 + +问题表现： + +- 001—006 几乎把所有章节都输出为 `#`，没有文档层级。 +- 存在 `#零星维修...`、`#(正本)` 等缺少空格的标题。 +- 存在只有 `#` 的空标题。 +- 同一个标题被版面换行切成多个连续一级标题，例如项目名称被拆成 2—3 行。 +- 普通正文、图片识别结果和幻觉句子也被错误标成标题。 + +清洗要求： + +1. 每个逻辑文档保留一个主标题 H1；主要章为 H2，节为 H3，依次递进，不跳级。 +2. 使用编号模式（“第一章”“一、”“（一）”“1.”）、目录结构、相邻上下文和重复页眉信息共同推断层级。 +3. 连续短标题行在确认属于同一版面标题后合并；不能只根据行长合并。 +4. 修复 `#标题` 为 `# 标题`，删除空标题；被判为正文的行去掉标题标记。 +5. 标题文本中的项目编号、公司名、年份不得因规范化而改变。 + +### 4.7 P001：段落、硬换行和词内断裂 + +优先级：P1。 + +151,616 行以两个空格结尾，主要来自 002—006 的转换器。这会把几乎每个物理行强制为 Markdown `
`，使原本同一段的文字被切碎。还存在： + +- `物 业`、`项 目`、`服\n务项目` 等版面换行造成的词内空格或断行。 +- 页码、目录页码和正文混在同一行。 +- 句子被错误拼接成超长段，或每句话都被拆成独立段。 +- 项目编号中的连字符被转义成 `440442\-2025\-00435`，同一标识在不同文件中形式不一致。 + +清洗要求： + +1. 先识别标题、列表、表格、地址、编号、签名区，再做段落重组。 +2. 普通段落内部把版面软换行合并为空或一个空格；中文字符之间通常直接合并，中英/数字边界按规则保留空格。 +3. 列表项、诗行、地址、落款、表格单元格内的有意义换行不得统一删除。 +4. `\-` 仅在确认是转换器多余转义时还原；项目编号和负号的字符本身必须保留。 +5. Unicode 采用 NFC，不建议全局 NFKC；NFKC 可能改变罗马数字、圈号、单位和兼容字符的法律原貌。 + +### 4.8 D001：页眉、页脚、目录页码和文档边界 + +优先级：P1。 + +已检测到至少 1,166 个“独立页码样式候选”，但其中也会混入 `0/1000` 等评分或限制值，所以不能仅凭正则删除。明确例子包括 `1 / 390`、`368 / 390`、`4 / 6`。 + +清洗要求： + +- 只有在同一文本出现在多页相近顶部/底部位置，或页码形成合理序列时，才判定为页眉页脚。 +- `clean_fidelity.md` 可通过元数据保留页码映射；`clean_compare.md` 删除纯版式页码和重复运行标题。 +- 002 中 `file_16`—`file_19` 开头分别表现为符合性审查、综合文件、商务部分、技术部分，可能是同一投标人的分卷/分册。清洗器必须保存原始 `fileIndex` 和卷册边界，不能自行拼接。 +- 目录文本可转换为结构化章节导航；目录点线和页码不应参与正文相似度。 + +### 4.9 D002：重复内容与模板内容 + +优先级：P1，但严禁盲删。 + +重复既可能是转换器错误，也可能是投标文件真实模板。典型统计： + +- 001 两份文件非空行重复比例分别为 81.8% 和 84.1%。同一“综合单价分析表”及说明出现约 900 次。 +- `002-21/file_3` 非空行重复比例 44.8%，含“装约买箱箱装”等乱码高频重复。 +- `002-21/file_15` 中 `Agree to be` 重复 813 次。 +- `002-21/file_5` 中 `- The steps are:` 重复 818 次。 +- `002-21/file_20` 中目录式条目“施工等级 282”“工期保证措施 282”分别重复 165、164 次。 + +处理原则： + +1. 明确的幻觉/转换器退化重复应回源替换或隔离。 +2. 重复页眉、页脚、页码在对比版删除。 +3. 合法合同条款、报价表说明和表头在忠实版保留。对比版可把同一文档内重复模板块标为同一 `template_block_id`，在相似度计算时降权，而不是直接删除。 +4. 跨文档共同出现的合法招标模板本来就是对比目标的一部分，不应因“重复”而全部抹除。项目需要明确是检测抄袭、检测共同模板，还是两者分别评分。 + +### 4.10 L001：Word/PDF 转换遗留语法 + +优先级：P1/P2。 + +包括： + +- 007 `file_1` 有 171 个 `(#_Toc...)` Word 目录链接，但全库没有对应显式锚点。 +- 001 有 2,594 个 `
`，用 HTML 仅表达居中版式。 +- 575 个行内数学片段中有不少重复的 `\textcolor`、`\rightarrow`、`\cdots` 和勾股定理幻觉。 +- 20 个私用区字符主要是 U+F0B7、U+F070、U+F0D8，常见于 Wingdings/项目符号映射。 +- 10 个 `�` 出现在 7 份文件中，已经无法靠 Unicode 规范化恢复原字符。 + +处理要求： + +- Word TOC 链接要么根据清洗后标题生成真实 slug，要么移除链接只保留目录文字；不得保留悬空锚点。 +- 纯版式 `
` 转成语义标题/段落；居中信息可进样式元数据。 +- 私用区字符按原字体映射或源文件回查，不能一律删除。 +- `�` 必须逐处回源，无法回源时产生显式未解决项。 +- LaTeX 只有在源文件确实包含公式/符号时保留；重复生成的视觉符号应由原图或文本含义替代。 + +### 4.11 S001：真实个人和企业敏感信息 + +优先级：如果测试数据会离开受控环境，则为 P0；仅限封闭授权环境时也必须有访问控制。 + +候选扫描结果： + +| 类型 | 候选次数 | 涉及文件数 | +|---|---:|---:| +| 身份证号 | 1,976 | 37 | +| 手机号 | 477 | 41 | +| 邮箱 | 103 | 33 | +| 统一社会信用代码 | 3,259 | 43 | +| “身份证号/联系电话/银行账号/法定代表人”等敏感字段标签 | 2,276 | 44 | + +建议提供独立的 `privacy_profile`，而不是把脱敏与文本纠错写死在一起： + +- `closed_authorized`：保留原值，仅限受控测试；日志不得打印原始敏感值。 +- `masked_compare`：使用确定性、按实体区分的伪名，例如不同手机号映射成不同的 ``、``；相同原值是否跨文档保持相同 token，由对比目标决定。 +- `public_sample`：除文本脱敏外，还要处理身份证图片、签名、印章、照片、二维码和图片元数据。 + +不要把所有值都替换成同一个通用 token，否则会造成大规模假相似。 + +## 5. 分用例处置建议 + +### 5.1 001-2：建筑工程投标文件 + +主要问题： + +- 两份文档共有 2,596 个 HTML 表格，table 层级分别缺少约 191 和 201 个闭合标签。 +- 非空行重复率超过 80%，大量综合单价分析表说明重复。 +- 109 个图片引用都是 `page+bbox`，没有图片资产。 +- 标题几乎全部为 H1，另有大量居中 `
`。 + +建议：两份原始 PDF 都在 `source/`，应优先重新执行带页码、坐标和图片导出的版面解析。001 不适合靠修补现有 HTML 完成最终清洗。现有 Markdown可保留为“旧解析器回归样本”。 + +### 5.2 002-21：21 份江门市中心医院投标文件 + +这是内容污染最集中的用例。21 份中 19 份命中明确幻觉模板，保守特征合计 1,530 次；全部含失效图片和 HTML 表格。 + +重点文件： + +| fileIndex | 重点问题 | 建议 | +|---:|---|---| +| 0 | 28 次保守幻觉特征；多处 quick/equation；150 个 HTML 表格 | 回源重提取污染页 | +| 1 | 12 次特征；重复率 22.5%；表格长行 | 回源并做重复块检查 | +| 2 | 5 次特征；含 `�`；表格长行 | `�` 逐处回源 | +| 3 | 454 次特征；quick 约 428 次；重复率 44.8%；乱码高频；GFM 表格不一致；含 `�` | 灾难性污染，整文档重新提取 | +| 4 | 少量明确幻觉；表格长行 | 按命中页重提取 | +| 5 | 475 次特征；`The steps are:` 约 818 次；含 U+F0D8 | 灾难性污染，整文档重新提取 | +| 6 | 13 次特征 | 按命中页重提取 | +| 7 | 12 次特征；584 行 GFM 表格列数不一致；重复率 25.4% | 表格回源重建，核查文本污染 | +| 8 | 19 次特征；28,624 字符英语重复行 | 至少该页重提取，建议整文档重跑 | +| 9 | 9 次特征 | 按命中页重提取 | +| 10 | 11 次特征；HTML 表格层级也有缺口 | 回源重提取污染页并修表 | +| 11 | 9 次特征 | 按命中页重提取 | +| 12 | 20 次特征；10,937 字符 `The image contains...` 行 | 回源重提取污染页 | +| 13 | 16 次特征 | 按命中页重提取 | +| 14 | 422 次特征；单行 quick 重复约 411 次；还有中文短语退化重复 | 灾难性污染，整文档重新提取 | +| 15 | `Agree to be` 约 813 次；超长 `\textcolor` 行；重复率 20.4% | 灾难性污染，整文档重新提取 | +| 16 | 少量幻觉；内容像单独卷册；重复率 26.3% | 保留卷册边界，按页核查 | +| 17 | 7 次特征；含 `�`；可能为分册 | 回源并保留边界 | +| 18 | 未命中当前固定模板，但仍有缺图、H1 扁平和 HTML 表格 | 不能视为干净；做结构清洗和抽检 | +| 19 | 未命中当前固定模板，但仍有 53 个缺失图片及表格 | 做结构清洗和抽检 | +| 20 | 少量特征；目录条目成百次重复 | 识别目录/正文边界并去版式重复 | + +本用例没有保存原始 PDF，只有 Markdown 和 reviewed DOCX。清洗项目开始前应确认能否从旧存储追回原上传文件；如果不能，不能宣称已完成内容级无损修复。 + +### 5.3 003-10：10 份物业投标文件 + +该用例有原始 PDF，可建立最可靠的回源修复和质量评测。 + +| fileIndex | 重点问题 | 建议 | +|---:|---|---| +| 0 | 缺图、H1 扁平、HTML 表格 | 结构清洗，按页抽检 | +| 1 | 至少 1 次明确模板污染；缺图和表格 | 命中页重提取 | +| 2 | 开头即乱码/幻觉；63 次保守特征；261,838 字符点线；19,089 字符箭头行 | 最高优先级，整份从 PDF 重提取 | +| 3 | 37 次特征；505 个缺图；HTML 表格 | 整份重提取或至少覆盖全部命中页 | +| 4 | 模板污染；含 `�`；表格长行 | 回源修复字符和污染页 | +| 5 | 5 次特征；含 `�` | 回源修复 | +| 6 | 未命中固定模板，但有缺图和表格 | 结构清洗，抽检 | +| 7 | 29 次特征；重复 `\textcolor`；3 个 U+F0D8；392 个缺图 | 整份重提取优先 | +| 8 | 少量模板污染；运行标题重复明显 | 修污染页，移除对比版页眉 | +| 9 | 4 个 `�`；超长/重复汉字；大表格 | 回源重提取异常页并修表 | + +### 5.4 004-2：采购文件 + +- `file_0`：图片缺失、H1 断裂、HTML 表格；第 613 行表头语义明显异常。 +- `file_1`：7 次保守幻觉特征、重复率 27.0%、34 个缺图，并有长重复汉字。 + +该目录没有原始 PDF。应优先追回源文件；reviewed DOCX 只能在确认其来源和人工修改范围后作为替代依据。 + +### 5.5 005-3：响应文件 + +- 三份文档都命中少量明确幻觉特征，分别约 3、1、3 次。 +- 非空行重复率约 30.4%、20.9%、31.9%。重复中既可能有劳动合同模板等真实内容，也可能有转换器重复，必须区分。 +- `file_2` 含 `�`，且有 11,599 字符的单行 HTML 表格。 +- 三份共有 359 个失效图片和 476 个 HTML 表格。 + +建议先按异常页回源；若源文件不可得，则至少将不确定片段隔离并生成未解决清单。 + +### 5.6 006-3：含 OCR 的投标文件 + +- README 标注 `file_1`、`file_2` 为 OCR 版；三份文档段落规模差异很大。 +- `file_0` 命中 21 次保守幻觉特征，说明非 README 标注的 OCR 文件也不能默认安全。 +- `file_2` 命中 1 次明确特征；`file_1` 未命中当前固定模板，但仍有缺图和结构问题。 +- 三份共有 162 个失效图片、130 个 HTML 表格。 + +建议把 006 作为 OCR A/B 测试集：逐页记录“文本层提取、传统 OCR、视觉模型”三个结果的字符错误率、结构恢复率和幻觉率，不应只比较最终段落数。 + +### 5.7 007-4：纯文字投标文件 + +README 称其为“纯文字（无表格）”，但 Markdown 实际有 2,792 个 GFM 表格行，说明转换器很可能用表格表达页面布局，而非文档真的包含大量语义表格。 + +- `file_0`：1,159 个空 Base64 图片占位；21 个行列不一致表格块；8 个 U+F0B7。 +- `file_1`：1,113 个空占位；20 个不一致表格块；171 个悬空 Word TOC 链接。 +- `file_2`：1,048 个空占位；7 个不一致表格块；U+F070 7 个、U+F0D8 1 个。 +- `file_3`：692 个空占位；12 个不一致表格块；2 个表格块缺分隔行；4 个空/异常标题。 + +这四份文档即使文本看起来较整齐，也因图片数据已丢失而不能算完整。应从原上传文件重新导出图片和表格；没有源文件时只能产出明确标注“不完整”的文本版。 diff --git a/research-wiki/scratch/data-5papers-cleaning-audit-2026-08-21.md b/research-wiki/scratch/data-5papers-cleaning-audit-2026-08-21.md new file mode 100644 index 0000000..f6903fa --- /dev/null +++ b/research-wiki/scratch/data-5papers-cleaning-audit-2026-08-21.md @@ -0,0 +1,225 @@ +# data/ 五份论文 Markdown 审计报告（2026-08-21） + +> 状态：scratch 草稿，供评审。清洗力度由师姐逐项决定，本报告只列问题、证据和可选处置，不做力度决策。 + +## 1. 结论摘要 + +- 五份文件均为英文学术论文的 PDF→Markdown 转换产物，分属 5 个来源（JAMA、EJHF、Statistics in Medicine/arXiv、Springer/arXiv、Disaster Med Public Health Preparedness），噪声特征差异很大，不能用一套固定规则覆盖。 +- 最严重的问题不是格式噪声，而是**内容丢失**：2 份文件中途截断，1 份（JAMA）所有表格整体缺失。这类问题清洗无法恢复，只能重新转换或人工补录。 +- JAMA 文件的原始 PDF 是**未定稿的 Word 修订稿**，行号、审阅批注、修订残留词对全部泄漏进正文，是五份中污染最重的。 +- 格式类噪声（双重转义实体 31 处、孤行公式编号 12 处、空行断句、标题层级扁平、引用上标混用等）确定可清洗，风险低。 +- 少数问题涉及**语义改变**（数学公式被 OCR 改错、乱码替换专名），自动清洗有改错正文的风险，建议人工确认。 + +## 2. 审计范围与方法 + +- 对象：`data/*/markdowns/*.md` 共 5 份，逐行人工通读；行号均指 markdowns 下的 md 文件。 +- 辅助统计（本轮实际执行）：标题层级计数、图片/表格/实体/批注/arXiv 戳的 grep 计数。 +- 判定原则：只把"转换管线引入的噪声"列为清洗对象；原文自身的写作瑕疵（如语法错误）不属于转换噪声，单独列出并标注"不建议清洗"。 +- 未验证项：未与原 PDF 逐页比对内容完整性，"缺失"结论基于文内自引用（如正文提到 Table 2 但全文无 Table 2）和文件截断位置。 + +## 3. 总体统计 + +| 文件（下文简称） | 行数 | H1 | H2 | H3+ | 图片 | HTML表格 | 双重转义 | 孤行编号 | 批注 | arXiv边栏戳 | +|---|---|---|---|---|---|---|---|---|---|---| +| dmp (Disaster Med) | 208 | 0 | 11 | 0 | 1 | 7 | 23 | 0 | 0 | 0 | +| jama (JAMA 2024) | 349 | 2 | 10 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | +| ejhf (EJHF 2020) | 143 | 1 | 13 | 0 | 1 | 1 | 8 | 0 | 0 | 0 | +| sim (Stat Med/arXiv) | 247 | 2 | 11 | 0 | 2 | 0 | 0 | 12 | 0 | 1 | +| springer (ICU LSTM) | 154 | 1 | 12 | 0 | 4 | 1 | 0 | 1 | 0 | 1 | + +补充：jama 有 128 行以"行号+空格"开头（手稿行号泄漏）；springer 的 3 处 arXiv 字符串中 2 处是参考文献的正常引用，仅 1 处是边栏戳。 + +## 4. 问题清单 + +每项标注：【确定】= 确定是转换噪声，可安全清洗；【语义】= 涉及内容判断，建议人工确认；【丢失】= 内容缺失，清洗不可恢复。处置选项仅供师姐选择。 + +### A. 内容级问题（最严重） + +**A1【丢失】两份文件中途截断** +- ejhf 第 143 行在 Table 1 HTML 表格中间戛然而止（"Medical history at randomization, no. (%)" 行后为空单元格）。Table 1 后半、Tables 2–4、全部图注、参考文献整体缺失。 +- sim 第 247 行止于方法 M5 描述中间，且结尾 URL 损坏（`https://cran.r-project.org/web/p6$^{10}$`）。第 3 节（结果）、4、5 节、参考文献、附录缺失。 +- 处置选项：a) 退回重新转换；b) 接受现状并在元数据标记"截断"；c) 人工补录缺失部分。清洗管线本身无法解决。 + +**A2【丢失】jama 全部表格缺失** +- 正文多处引用 Table、Box 1、eTables 1–3，但全文 0 个表格、0 张图片。摘要性内容（如各器官系统阈值表）完全丢失。 +- 处置选项：同 A1。 + +**A3【丢失】dmp 的 FIGURE 1 流程图被转成 HTML 表格** +- 第 83 行：流程图（决策树）被输出为单行 HTML 表格，图形语义尽失，仅 FIGURE 2（第 111 行）保留为图片。 +- 处置选项：a) 保留现状（有总比没有好）；b) 重新转换该页；c) 人工用图片替换。 + +**A4【丢失】sim 第 93 行句子开头缺失** +- "/unpenalized) regression models" 以斜杠开头，前文整句丢失。 +- 处置选项：标记为损坏片段，或对照原文补录。 + +### B. 草稿/修订痕迹泄漏（仅 jama，原稿是 Word 修订稿） + +**B1【确定】手稿行号泄漏（128 行）** +- 正文行以行号开头："25 increase in the Sequential..."（第 115 行）、"26 with suspected infection"（第 116 行）等；标题也带行号："## 116 Results/recommandations"（第 149 行）、"## 117 Criteria..."（第 151 行）、"## 143 Organ dysfunction..."（第 165 行）。 +- 处置选项：a) 剥离行首行号（注意与正常编号列表、年份区分）；b) 连同批注一起整体退回，要求提供定稿版。 + +**B2【确定】审阅批注泄漏（2 处）** +- 第 155–157 行："Commented [LS1]: Why highlighted?"、"Commented [SW2R1]: To make sure we use capital letters..."。 +- 处置选项：整段删除。注意第 292 行还有一句删除文字与保留文字混杂的句子（"Appropriate process and balancing measures Efforts to enhance..."），需人工断句。 + +**B3【语义】Word 修订残留词对（约 7 处）** +- "defined identified by as"（第 91 行）、"defined identified using by"（第 153 行）、"defined identified as in sepsis-septic patients"（第 116 行）、"defined indicate by as"（第 163 行）、"was were derived"（第 306 行）、"The new-Phoenix"（第 197 行）等——是"插入词+删除词"并存的痕迹。 +- 哪个词是最终保留词需要对照定稿判断，自动二选一有风险。处置选项：a) 人工逐处确认；b) 退回要定稿。 + +**B4【确定】未填占位符** +- "XX societies"（第 101 行）、"XX-microbiological testing and YY-antibiotics"（第 302 行）、"Endorsing societies: To be populated after acceptance"（第 317 行）。 +- 处置选项：保留并标记待补，或等定稿填充后再清洗。 + +**B5【确定】日期损坏** +- 第 85 行 "Revision date: December 3122, 2023"。 +- 处置选项：对照原文改为 2023 年内正确日期（人工）。 + +### C. 标题结构问题 + +**C1【确定】标题层级扁平** +- dmp：0 个 H1，11 个 H2 全部同级（含 Introduction/Methods/Results 等，第 1,3,7,59,67,103,137,153 行）。 +- ejhf：主章节与子章节同为 H2（"## Methods" 第 51 行、"## Study population" 第 53 行），无层级区分。 +- 处置选项：按章节编号/语义推断层级（2.1 → H3），或统一降级保持平级。前者需人工核对推断结果。 + +**C2【确定】标题被拆分成两行** +- jama：标题拆成两个 H1（第 1–2 行 "International Consensus Criteria..." / "The Phoenix Pediatric Sepsis Criteria"，实为正副标题）。 +- sim：主标题拆成两个 H1（第 3–4 行 "Conounder selection..." / "treatment effect estimators"，且首词 "Conounder" 是 OCR 错字，原文应为 Confounder）；2.2 节标题拆两行（第 183/185 行 "…full matching on the propensity" / "## score"）。 +- 处置选项：合并为单标题；sim 主标题的 "Conounder" 拼写需对照原文确认（【语义】）。 + +**C3【语义】乱码标题** +- dmp 第 47 行 `## ่วง`（泰文字符）。按位置推断应为 METHODS，但不能凭推断改写正文级内容。 +- 处置选项：人工对照 PDF 改回，或删除该标题。 + +**C4【确定】跑动页眉混入正文且被标为标题** +- dmp 第 73、191 行 "## MSOFA Score for Critical Care Triage" 出现在句中和 REFERENCES 内；第 71→75 行一句话被它从中间切断。 +- 处置选项：删除页眉行并把被切断的句子接回。 + +### D. 表格问题 + +**D1【确定】表格压缩为单行 HTML** +- 全部 9 个表格（dmp 7、ejhf 1、springer 1）都是 `
` 数量不平衡。另有 4 份 007 用例文档使用 GFM 表格，其中 203 个表格块里至少 60 个行列数不一致。 +4. **重复和超长噪声**：出现 261,838 字符的单行点线、数万字符的重复英语句子、LaTeX 箭头/颜色命令和重复汉字。001 两份文件的非空行重复比例分别达到 81.8% 和 84.1%。 +5. **结构扁平化**：全库 29,358 个 Markdown 标题中有 28,736 个是一级标题，占 97.9%；至少 378 个标题缺少空格、只有 `#` 或存在其他明显语法问题。 +6. **字符与格式污染**：有 10 个替换字符 `�`、20 个私用区字符、11 个 NBSP、5 个零宽字符、1,474 个多余的 `\-` 转义，以及 151,616 行尾部双空格。 +7. **真实数据合规风险**：README 明确说明数据来自已上线旧项目中的律所真实上传文件。粗略正则扫描得到身份证号候选 1,976 处、手机号候选 477 处、邮箱 103 处、统一社会信用代码候选 3,259 处。这些数字是候选匹配，不等于已校验的唯一实体数，但足以说明必须把脱敏策略纳入项目设计。 + +最重要的实施建议是：**不要只产出一份“清洗 Markdown”**。应同时产出： + +- `clean_fidelity.md`：忠实版，保留有法律/业务意义的全部内容，所有修复必须能追溯到源文件。 +- `clean_compare.md`：对比版，从忠实版派生，移除页眉页脚、失效目录页码、转换器噪声和确定的重复版式块，用于文档相似度计算。 +- `audit.json`：记录每一次删除、替换、合并、回源重提取和人工确认。 + +这样可以避免为了提升对比效果而不可逆地破坏原文，也能避免把幻觉文本、通用图片占位符和重复页眉当成“相同内容”。 + +## 2. 审计范围与统计口径 + +### 2.1 纳入和排除 + +纳入： + +- `compare/001-2/uploads/*.md`：2 份 +- `compare/002-21/uploads/*.md`：21 份 +- `compare/003-10/uploads/*.md`：10 份 +- `compare/004-2/uploads/*.md`：2 份 +- `compare/005-3/uploads/*.md`：3 份 +- `compare/006-3/uploads/*.md`：3 份 +- `compare/007-4/uploads/*.md`：4 份 + +排除： + +- 8 份 README：它们是测试说明，不是待清洗输入。 +- `review.json`、`blocks_*.json`、`match_index.json`、`summary.json`：它们是旧输入产生的下游结果，只用于理解测试背景，不能作为清洗真值。 +- `file_*_reviewed.docx`：本次未把它们当作 Markdown 清洗对象；后续可作为辅助核对材料，但是否能作为权威源需单独确认。 + +### 2.2 基础规模 + +45 份输入合计约 36.39 MiB、388,482 个物理行。所有文件都能按 UTF-8 读取，但“能解码”不代表内容无损，文件中仍有 `�` 和私用区字符。 + +下表中的“幻觉特征”使用一组偏保守的固定模板进行计数，包括 `The quick brown fox...`、勾股定理模板、`The image contains...`、`The concept of a concept...`、`The steps are:` 等；因此它只是明确下限，不包含全部乱码和中文重复污染。 + +| 用例 | 文档数 | 大小 MiB | 行数 | HTML 表格 | GFM 表格行 | 图片引用 | 空 Base64 占位 | 幻觉特征 | 最大单行字符数 | 总体判断 | +|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---| +| 001-2 | 2 | 6.41 | 48,450 | 2,596 | 0 | 109 | 0 | 0 | 4,482 | 高风险：表格未闭合、重复率极高、图片定位不可用 | +| 002-21 | 21 | 15.23 | 158,462 | 2,593 | 592 | 2,000 | 0 | 1,530 | 28,624 | 严重：模型幻觉和重复文本最集中 | +| 003-10 | 10 | 9.20 | 116,358 | 1,646 | 2 | 1,793 | 0 | 137 | 261,838 | 严重：存在灾难性长行、乱码、幻觉和 LaTeX 污染 | +| 004-2 | 2 | 0.41 | 5,726 | 109 | 0 | 36 | 0 | 7 | 8,001 | 高风险：OCR 语义错误、缺图、幻觉 | +| 005-3 | 3 | 2.67 | 31,537 | 476 | 0 | 359 | 0 | 7 | 11,599 | 高风险：重复、缺图、表格和少量幻觉 | +| 006-3 | 3 | 1.12 | 14,701 | 130 | 0 | 162 | 0 | 22 | 9,151 | 高风险：含 OCR 文档，仍有明显幻觉和缺图 | +| 007-4 | 4 | 1.35 | 13,248 | 0 | 2,792 | 4,012 | 4,012 | 0 | 5,916 | 严重：图片内容全部为无效占位，表格和 Word 目录损坏 | + +## 3. 对下游“文件对比”功能的直接影响 + +这些污染会系统性扭曲相似度，不只是影响阅读体验： + +- `The quick brown fox...` 等同一幻觉模板出现在多个本来无关的投标文件里，会制造跨文档假阳性匹配。 +- 007 中 4,012 个完全相同的空图片占位符会被当成大量相同行。 +- 001 中同一“综合单价分析表”说明被重复约 900 次；这与 README 中 001、003 的“近似匹配占 99% 以上”和超大 `review.json` 有明显关联。这里只能判断为高度可疑的影响因素，不能在没有重新跑对比的情况下断言它是唯一原因。 +- 平铺成一级标题、把表格压成一行、把页眉页脚混入正文，会改变分块边界，并使段落/句子/近似三档匹配分布失真。 +- 如果把不同手机号、身份证号、图片都统一替换成同一个 `[PHONE]`、`[ID]`、`[IMAGE]`，又会制造新的假相同内容。因此占位符必须保留“不同原值不同 token”的性质。 + +清洗后必须重新生成 `blocks_*.json`、`match_index.json`、`review.json` 和 `summary.json`。旧匹配数量不能作为清洗后的等值验收条件，应保留为“脏输入性能基线”，另建“干净输入语义基线”。`fileIndex` 和测试用例映射必须保持不变。 + +## 4. 问题清单与清洗要求 + +### 4.1 C001：固定模板型模型幻觉 + +优先级：P0，阻断语义版交付。 + +已确认的例子包括： + +- `The quick brown fox jumps over the lazy dog.`：全库 1,071 次。 +- `The equation $x^2 + y^2 = z^2$ represents a Pythagorean triple...`：全库 62 次。 +- `The image contains a single character...` +- `The concept of a concept is fundamental in physics...` +- `- The steps are:` +- `Agree to be` +- `汽车法规和商业期刊的出版` + +典型证据： + +- `002-21/file_14` 第 1,164 行：一行内重复 `quick brown fox` 约 411 次。 +- `002-21/file_3` 第 3,804 行：同类重复约 428 次。 +- `002-21/file_5` 第 2,915 行：`The image contains...` 及数字说明被重复扩展。 +- `002-21/file_8` 第 5,379 行：28,624 字符的英语概念重复行。 +- `003-10/file_2` 开头即出现无关英文、勾股定理和中文乱码。 + +清洗要求： + +1. 固定模板命中后先标记其所在段、表格单元格和推定页面，不应只删除匹配到的几个单词。 +2. 有源 PDF 时，按页或按区域重新提取；没有源文件时，将该段放入 `quarantine`，不能把删除后的残缺上下文冒充完整正文。 +3. 黑名单适合做拦截器，不适合做唯一清洗器。应再检测异常语言切换、低词汇多样性、同短语高频循环和超长单行。 +4. 清洗结果中这些已知模板必须为 0；审计文件须记录被移除的原始范围和回源依据。 + +### 4.2 C002：超长重复串和退化输出 + +优先级：P0/P1，视能否回源而定。 + +典型问题： + +- `003-10/file_2` 第 91 行长 261,838 字符，主体是目录点线重复。 +- 同文件第 8,924 行长 19,089 字符，主体是重复的 LaTeX `\rightarrow`。 +- `002-21/file_15` 第 4,898 行长 11,267 字符，主体是重复 `\textcolor{red}{\blacksquare}`。 +- `003-10/file_7` 第 24,211 行含嵌套、重复的 `\textcolor{red}`。 +- 多处出现成千上万次的 `园`、`\cdots`、`...` 或错误短语，例如“建设工程执行”。 + +检测规则建议： + +- 普通文本单行超过 2,000 字符告警，超过 10,000 字符阻断；结构化表格在解析后按单元格重新执行该规则。 +- 同一字符连续 20 次以上、同一 2—20 字符片段连续 10 次以上告警。 +- 单行压缩率异常高、唯一 token 比例过低、相邻重复 n-gram 比例过高时进入隔离。 +- 目录点线只保留为结构化 TOC 信息，不保留数十万字符的视觉填充。 + +不允许简单按固定长度截断，因为长 HTML 表格可能包含真实内容。必须先判断是表格、目录点线、Base64、SVG 还是普通文本。 + +### 4.3 I001：图片引用全部失效 + +优先级：P0。 + +全库有 8,471 个图片引用，本地图片资产为 0： + +- 007：4,012 个 `![](data:image/jpeg;base64...)` 或 PNG 变体。这里的 `...` 是文本，不是被终端隐藏的真实数据，无法解码恢复。 +- 001：109 个目标形如 `page=9,bbox=[...]`，不是标准图片路径，也没有对应裁剪图。 +- 其余：4,350 个 `images/.jpg` 等相对引用，但仓库中不存在相应文件。 +- 7,073/8,471 个图片没有 alt 文本。 + +清洗要求： + +1. 从原始 PDF/DOCX 回源导出图片，使用内容哈希命名，并生成 `assets/manifest.json`。 +2. 对印章、签名、证书、身份证件、扫描表格等“有语义图片”执行 OCR/版面识别，但仍要保留原图引用，不能只留推测文本。 +3. 001 的 `page+bbox` 必须转换为结构化来源坐标，再从对应 PDF 裁剪；不能直接当 Markdown URL。 +4. 如果确实采用纯文本模式，图片位置应写成唯一、可追踪的标记，例如 `[IMAGE_MISSING:007-4:file_1:0001]`，不能用所有文件共享的 `[IMAGE]`，否则会制造假匹配。 +5. 生产级“完整清洗”验收要求 broken reference 为 0。无法回源的图片必须明确标为未解决，不能计作完整通过。 + +### 4.4 T001：HTML 表格损坏和超长单行 + +优先级：P0/P1。 + +41 份文件中共有 7,550 个 HTML 表格。静态标签计数如下： + +- `` 7,550，`
` 7,155。 +- `
` 657,263，`
...
` 单行输出，diff、review、编辑都极难。 +- 处置选项：转 GFM 多行表格（简单表）；对含 rowspan/colspan 的复杂表保留 HTML 但格式化缩进。 + +**D2【确定】HTML 实体双重转义（31 处）** +- dmp 23 处（`&gt;400`、`&lt;1.2`、`MAP&lt;70`，第 27/33/39 行等）；ejhf 8 处（`A1C&lt;7`、`7≤A1C&lt;8`，第 143 行）。 +- 处置选项：还原一层转义（`&gt;` → `>`）。这是最安全的清洗之一。 + +**D3【确定】合并单元格信息丢失** +- dmp 第 33 行 Table 2 的 Liver 行出现空 ``，跨行合并关系丢失，数值与表头对应断裂。 +- 处置选项：对照 PDF 人工修复合并结构，或标记为低可信表格。 + +**D4【确定】表格行错误合并** +- dmp 第 39 行 Table 3：四个器官系统 "Respiratory Coagulation Liver Cardiovascular" 被挤进一个单元格。 +- 处置选项：人工拆分修复。 + +**D5【确定】表头 OCR 乱码** +- springer 第 111 行 Table 1 表头 "Claesther"（应为 Classifier）。 +- 处置选项：人工改正（单处，低成本）。 + +### E. 文本级损坏 + +**E1【语义】跨脚本字符替换** +- dmp 第 43 行 "atينS Hospital"、第 55 行 "ينDS Hospital"——阿拉伯字符 ين 替换了 "LD"（LDS Hospital 是机构专名）。 +- 处置选项：人工替换回 "LDS"。自动规则可检出非拉丁字符混入，但替换动作建议人工确认。 + +**E2【确定】跨页断词** +- dmp：第 125 行结尾 "…at the relevant thresh" + 第 127 行 "olds of 8 and 11"（单词 thresholds 被页边界切开）。 +- sim：第 87/89 行 "except possi-" / "bly via treatment"；第 217/219 行 "cre-" / "ated by permuting"。 +- 处置选项：拼接断词（去连字符合并）。需注意英语中合法的行尾连字符（如 "well-known"）不能误合并，建议只合并"行尾连字符+下一行首为小写字母且拼出的词在词表内"的情况，其余保留待审。 + +**E3【确定】句内空行断句** +- 大量段落被空行从句子中间切开：jama 第 103→105、113→115 行；ejhf 第 47–49、57–59、67–69、87–89、113–115、131–133 行；springer 第 16→20 行（中间还被 arXiv 戳隔开，见 H1）、42→44 行。 +- 处置选项：段内合并（前段末无句号且后段首为小写/连接词时拼接）。这是对 RAG 分块影响最大的问题之一。 + +**E4【确定】段落内容错位/孤立行** +- springer 第 63 行孤立 "1"（公式编号漂移，见 F1）；第 81–83 行 "…improve the simple Multilayer Perceptron… other deep models." 后接 "including RNNs and MLPs."，段落被错误切开。 +- 处置选项：结合上下文人工归位。 + +### F. 数学公式问题（sim 最重，springer 次之） + +**F1【确定】公式编号漂移成孤行** +- sim 12 处：第 63/70/81/107/117/133/145/153/161/171/179/197 行分别是 "1"、"2"、"(4)"…"(12)"；springer 第 63 行 "1"。 +- 处置选项：并入对应公式块或删除（若公式本体已带编号）。需逐处对照，不宜盲目删除。 + +**F2【语义】公式内容被 OCR 改错** +- sim 第 139 行 `$\exp(x) = \exp(x)/\{1+\exp(x)\}$`——这是 expit 函数定义（x↦e^x/(1+e^x)），左边的 $\exp(x)$ 应为 $x$ 或 expit(x)。OCR 错误改变了数学含义，且这种错误会误导下游读者。 +- 处置选项：人工对照原文修复；自动工具只能标记"公式与上下文不符"，不宜自动改。 +- sim 第 119 行 "weights w k" 下标丢失，同类。 + +**F3【确定】LaTeX 冗余空格与风格不一** +- sim 全文行内公式带前导空格（`$ \widehat{\psi}_{j} $`）、内部空格过多（`\widehat { \mathrm { E } } ( Y ^ { a } )`，第 150 行）。 +- 处置选项：规范化空格（不改变符号语义的前提下）。风险低但需保守，避免动 `\,` `\;` 等有意义的间距命令。 + +**F4【确定】公式 OCR 字符间距拉宽** +- springer 第 72/78 行 cases 环境里 `\mathrm { s u r v i v o r s ~ g r o u p }` 逐字空格。 +- 处置选项：去除字母间空格（保守做法：只处理 `\mathrm{}` 内的单字母间距模式）。 + +### G. 格式不一致 + +**G1【确定】引用上标风格混用** +- 同一文件内 LaTeX `$^{1,2}$` 与 Unicode 上标（¹²、²⁻⁴、⁴⁹ ⁵⁰,⁵¹）并存：jama（第 115–116 行 Unicode vs 第 107/187 行 `$\geq 2$`）、ejhf（第 45–49 行 LaTeX vs 第 133 行 Unicode）、springer（第 5–6 行 `$ ^{1} $` vs 第 20 行 [1,2,4,3] 方括号）。 +- 处置选项：统一为一种（选哪种由师姐定，取决于下游用途：RAG 检索倾向 Unicode 纯文本，渲染倾向 LaTeX）。 + +**G2【可能】数字格式不一致** +- ejhf 第 55/57 行 "6068 patients" vs "4,091 patients"；dmp 第 91 行 "0.81-.85"（小数点前缺 0）。 +- 注意：springer 的 "61.532"、"46.520" 是欧式千分位，可能是原文排版而非转换噪声，不能自动统一。 +- 处置选项：统一千分位与小数风格；欧式写法是否转换需师姐定。 + +**G3【确定】参考文献列表分隔不一致** +- dmp：refs 1–18 空行分隔，19–33 连续堆叠（第 193–208 行）；springer：refs 1–8 空行分隔，9–19 连续堆叠（第 140–154 行）。 +- 处置选项：统一为一条一空行。 + +### H. 非正文噪声与资产 + +**H1【确定】arXiv 边栏戳** +- sim 第 1 行 "arXiv:2001.08971v3 [stat.ME] 10 Oct 2020"；springer 第 18 行同类戳插在 Introduction 段落中间，把一段话切成三截（第 16/18/20 行）。 +- 处置选项：删除戳行并接回段落。注意别误删参考文献中的合法 "arXiv preprint arXiv:…"（springer 第 143/152 行）。 + +**H2【确定】机构仓库封面页** +- ejhf 第 1–11 行：Glasgow eprints 引用说明、版本声明、`http://eprints.gla.ac.uk/213358/`、"Deposited on: 27 April 2020"，以及封面图 `![image](../images/…_sub0.jpg)`（该图是仓库封面，不是论文插图）。 +- 处置选项：整体删除封面区；封面图一并删或移入元数据。对 RAG 是纯噪声。 + +**H3【可能】图片相对路径依赖** +- 全部图片用 `../images/` 相对路径（dmp 第 111 行、ejhf 封面、sim 第 229/231 行、springer 第 65/115/117/119 行）。md 文件一旦脱离原目录结构，图片全部失效。 +- 处置选项：a) 保持现状（目录结构不变时无碍）；b) 清洗时把路径改写为部署目标路径；c) 校验引用的图片文件是否存在并报告断链。sim 的 Figure 1 实为左右两个面板（sub0/sub1 两张图）共享一条图注（第 233 行），springer 的 Fig. 2 为三面板（sub1–sub3）——合并还是保持多图由师姐定。 + +## 5. 不建议清洗的内容（保真边界） + +- **原文自身的写作瑕疵**：springer 论文语言明显不通（"was went to describe"、"In the other hand"、"section 4 discuss"），这是作者问题不是转换噪声，清洗工具不得改写学术内容。 +- **欧式千分位**（springer "61.532"）：疑似原文排版，自动统一有改数风险。 +- **专名与缩写的大小写、期刊缩写风格**：不属于转换噪声。 +- **A 类内容缺失**：不要试图用生成或推测内容"补全"缺失章节——宁可留空标记。 + +## 6. 决策清单（供师姐勾选力度） + +| 编号 | 问题 | 涉及文件 | 建议决策点 | +|---|---|---|---| +| A1/A2/A4 | 截断与表格缺失 | ejhf, sim, jama | 重新转换 / 接受并标记 / 人工补录 | +| A3 | 图转表格 | dmp | 保留 / 重转 / 换图 | +| B1 | 行号剥离 | jama | 剥离 / 退回要定稿 | +| B2 | 批注删除 | jama | 删（基本无争议） | +| B3 | 修订词对 | jama | 人工定稿对照（不宜自动） | +| B4/B5 | 占位符/坏日期 | jama | 保留标记 / 人工修 | +| C1 | 层级重建 | dmp, ejhf | 推断层级 / 保持平级 | +| C2 | 标题合并 | jama, sim | 合并（低风险） | +| C3/C4 | 乱码标题/页眉 | dmp | 人工改 / 删 | +| D1 | 表格展开 | 全部 | GFM / 缩进 HTML / 不动 | +| D2 | 实体还原 | dmp, ejhf | 还原（低风险） | +| D3/D4/D5 | 表格结构修复 | dmp, springer | 人工修 / 标记低可信 | +| E1 | 乱码专名 | dmp | 人工替换 | +| E2 | 断词拼接 | dmp, sim | 保守合并+白名单 | +| E3 | 段内合并 | jama, ejhf, springer | 启用（对 RAG 影响大） | +| E4 | 段落归位 | springer | 人工 | +| F1 | 编号并入 | sim, springer | 对照处理 | +| F2 | 公式纠错 | sim | 人工（含义级） | +| F3/F4 | 公式空格 | sim, springer | 保守规范化 | +| G1 | 上标统一 | jama, ejhf, springer | 定一种风格 | +| G2 | 数字格式 | ejhf, dmp | 统一 / 保留原文 | +| G3 | 参考文献分隔 | dmp, springer | 统一空行 | +| H1 | arXiv 戳 | sim, springer | 删+接段（勿伤引文） | +| H2 | 封面页 | ejhf | 删 | +| H3 | 图片路径 | 全部 | 现状 / 改写 / 断链校验 | + +## 7. 与既有审计的关系 + +`research-wiki/reference/GOVDOC_SAAS_CLEANING_SCOPE.md`（45 份政务文档审计，原名 MARKDOWN_CLEANING_AUDIT.md）中的幻觉、重复、页眉页脚等类别在本批论文中部分复现（C4/D2/H1 对应旧审计的 D001/L001 类），但本批新增了论文特有的类别：修订稿痕迹（B 类）、公式问题（F 类）、引用上标混用（G1）、截断缺失（A 类）。若后续建立通用清洗规则库，B/F/G 类需要论文 profile，不宜进默认规则。 diff --git a/research-wiki/scratch/markdown-cleaning-ecosystem-research-2026-08-20.md b/research-wiki/scratch/markdown-cleaning-ecosystem-research-2026-08-20.md new file mode 100644 index 0000000..8e55f20 --- /dev/null +++ b/research-wiki/scratch/markdown-cleaning-ecosystem-research-2026-08-20.md @@ -0,0 +1,492 @@ +# Markdown 清洗生态调研与通用架构建议 + +> 状态：调研草稿，尚未批准为项目设计。 +> +> 调研日期：2026-08-20。 +> +> 更新方式：候选工具、许可证、实测结果或项目范围变化时更新；形成实施决定后转写为下一编号 design。 + +## 1. 结论先行 + +这个项目不应该重新实现一个“正则表达式合集”，也不应该把 Prettier、mdformat、Unstructured 或某个 +PDF→Markdown 模型直接包装成最终产品。 + +现有工具各自只解决问题的一层： + +- Markdown parser/formatter 能统一语法，但无法知道一句话是不是模型幻觉； +- HTML 容错解析器能补齐标签，但无法保证补出的表格在业务上正确； +- PDF/DOCX 提取器能回源重建，但仍可能 OCR 错误或生成幻觉； +- PII 工具能提供候选实体，但无法自动决定跨文档伪名是否应该一致； +- 文本质量过滤器能发现重复和低熵，却常以“整篇丢弃”为目标，不适合忠实修复文档。 + +因此建议把 `govdoc-md-cleaner` 定位为： + +> **面向多项目的、可审计的文档规范化与派生框架。Markdown 是主要输入输出格式，但核心对象是带来源、 +> 结构、置信度和问题记录的文档，而不是一串待正则替换的文本。** + +推荐的技术组合是： + +| 层 | 首选候选 | 在本项目中的角色 | +|---|---|---| +| 核心语言 | Python | 与文档解析、OCR、隐私工具及现有下游生态衔接 | +| Markdown 解析 | `markdown-it-py` + GFM 插件 | CommonMark/GFM 结构识别、块级行号映射；不负责语义修复 | +| Markdown 输出 | 自有受控 renderer；`mdformat` 只作可选格式化后端 | 保证 profile 输出稳定，避免 formatter 越权改原文 | +| 损坏 HTML | `html5lib`，必要时配合 `lxml` tree builder | 按浏览器规则恢复 DOM；恢复动作必须进入审计 | +| 回源提取 | Docling 作为默认候选 adapter | PDF/DOCX/图片转结构化文档，保留页码、bbox 和 provenance | +| 编码异常 | `ftfy` 作为候选建议器 | 识别/建议 mojibake 修复；默认不静默应用到法律文本 | +| 隐私 | Presidio 可选 adapter + 中文自定义 recognizer | 检测、确定性伪名和图片脱敏；不是默认核心依赖 | +| 重复/退化 | 自有 detector，参考 DataTrove 指标 | 长行、低熵、重复字符/n-gram、语言突变和固定幻觉模板 | +| 多格式转换 | Pandoc 可选 adapter/对照 oracle | DOCX/HTML/Markdown 转换与 AST filter；不作为忠实度权威 | + +`remark/unified` 是 Markdown 原生变换能力最完整的候选，但它会引入 Node.js/TypeScript 运行时；本项目的 +回源、OCR、中文隐私和下游环境更偏 Python，所以建议把 remark 作为设计参照和交叉验证器，而不是第一版核心。 + +这不是最终技术选型。下一步应以本报告为输入编写 design，并用小型 spike 验证关键假设后再批准依赖。 + +## 2. 审计告诉我们的真实问题 + +本报告以 [45 份 Markdown 清洗审计](../reference/MARKDOWN_CLEANING_AUDIT.md) 为本地事实来源。 +审计发现的不是单一格式问题，而是至少五个不同层次的问题： + +1. **字节与字符层**：替换字符、私用区字符、NBSP、零宽字符、多余转义； +2. **Markdown/HTML 语法层**：标题扁平、悬空链接、损坏 HTML/GFM 表格、极端长行； +3. **文档结构层**：段落断裂、阅读顺序错误、页眉页脚混入、图片与表格丢失； +4. **内容可信度层**：模型幻觉、退化重复、OCR 语义错误、无法凭 Markdown 恢复的缺失内容； +5. **用途与合规层**：对比、RAG、受控忠实版、公开脱敏版对内容保留规则不同。 + +其中两个结论直接改变技术路线。 + +第一，Markdown parser 解析成功不能作为质量通过条件。CommonMark 明确规定任意字符序列都是合法文档， +因此绝大多数“脏 Markdown”仍然可以无报错解析；我们必须建立额外的结构、内容和来源验证器 +（[CommonMark 0.31.2](https://spec.commonmark.org/0.31.2/)）。 + +第二，GFM parser 接受的表格也未必满足我们的忠实度要求。GFM 对正文行缺列会补空单元格，多出的单元格 +会被忽略；这对法律和金额表格可能造成静默丢失，所以项目必须在 parser 之上做严格矩形网格验证 +（[GFM 表格规范](https://github.github.io/gfm/#tables-extension-)）。 + +## 3. 为什么成熟 formatter 不能直接解决 + +### 3.1 Prettier、mdformat + +[Prettier](https://prettier.io/docs/) 和 [mdformat](https://mdformat.readthedocs.io/) 都是成熟的确定性格式化器。 +它们通过“解析后重新打印”统一标题、列表、换行等书写风格。mdformat 使用 `markdown-it-py`，并提供语法扩展 +和代码围栏 formatter 插件（[mdformat 插件文档](https://mdformat.readthedocs.io/en/stable/users/plugins.html)）。 + +适合： + +- 已经确认语义正确的 Markdown； +- 统一输出风格； +- 检查幂等性； +- Wiki、README 和开发者手写文档。 + +不适合直接处理本审计数据： + +- formatter 不知道 `The quick brown fox...` 是幻觉； +- 重新打印会扩大 diff，使逐项审计更困难； +- 对 raw HTML、损坏表格和未知扩展可能规范化或转义； +- 它无法从缺失图片引用恢复资产，也无法回到 PDF bbox。 + +建议：只在结构和内容已经通过验证的节点上使用，或作为最终输出的可选 profile；永不直接覆盖原输入。 + +### 3.2 markdownlint、remark-lint + +[remark-lint](https://github.com/remarkjs/remark-lint) 有约 70 条可组合规则，能检查标题跳级、硬换行、 +链接语法和行长等；markdownlint 也有成熟的规则集。这些工具适合开发文档质量门禁，但其规则主要面向 +作者书写风格，不认识 PDF 页、OCR 置信度、表格合并单元格或业务实体。 + +建议：用作本仓 Wiki/README 的 CI，或复用部分规则思想；不作为业务文档清洗引擎。 + +## 4. Markdown AST 候选 + +### 4.1 `remark` / `unified` + +[remark](https://github.com/remarkjs/remark) 提供 Markdown→mdast→Markdown 的完整插件流水线； +[mdast](https://github.com/syntax-tree/mdast) 对 CommonMark、GFM 表格、图片、raw HTML 等节点有稳定模型， +unist 生态还提供位置、source extraction、遍历、lint 和 vfile 消息。它是本次调研中最完整的 +Markdown-native 变换生态。 + +优点： + +- parser、AST、visitor、transformer、lint、stringifier 是同一生态； +- 节点通常带行、列、offset，适合生成诊断； +- GFM、frontmatter、数学、directives 等扩展成熟； +- TypeScript 类型和插件边界清晰。 + +代价： + +- 核心运行时是 Node.js/ESM； +- PDF/DOCX/OCR、中文文本处理和当前下游大多仍在 Python； +- 双运行时会增加部署、版本锁定和跨语言 IR 的维护成本。 + +判断：如果项目只清洗开发者 Markdown，remark 是首选；对当前“文档回源 + 多项目 profile”目标，第一版 +不建议为它引入第二套运行时。可把它用于 conformance 对照或以后提供 TypeScript 前端。 + +### 4.2 `markdown-it-py` + `mdformat` + +[markdown-it-py](https://markdown-it-py.readthedocs.io/en/latest/) 遵循 CommonMark，支持插件、自定义规则和 +GFM 相关扩展；Token 的 `map` 字段提供块级起止行号 +（[Token 文档](https://markdown-it-py.readthedocs.io/en/v4.2.0/_modules/markdown_it/token.html)）。它活跃、 +MIT、Python 原生，适合本项目第一版。 + +局限也需要明确： + +- 它主要是 parser/HTML renderer，不是完整的 Markdown transformation framework； +- 行号映射主要在块级，细粒度字符 offset 和跨回源 bbox 仍需我们维护； +- raw HTML 会成为特殊 token，表格恢复仍要交给 HTML parser； +- CommonMark 合法不等于文档内容可信。 + +建议：把它用于“识别现有 Markdown 的结构和边界”，再投影到项目自己的 Document IR；不要直接在 token +列表上堆满业务规则。`mdformat` 可为确认安全的 AST 提供稳定输出，但 renderer 行为必须通过回归样本冻结。 + +### 4.3 Pandoc + +[Pandoc](https://pandoc.org/MANUAL.html) 使用 reader→AST→writer 架构，Lua/JSON filter 可以按顺序变换 AST +（[Pandoc filter 文档](https://pandoc.org/filters.html)）。它的多格式覆盖和长期稳定性很强。 + +适合： + +- DOCX、HTML、Markdown 等格式导入导出； +- 做第二实现的转换对照； +- 用户明确接受 Pandoc 方言规范化的 profile。 + +不适合担任忠实版核心： + +- reader/writer round-trip 会改变原始 Markdown 表达； +- Pandoc AST 不是为逐字符审计和 PDF bbox 设计的； +- 外部二进制与 [GPL-2.0 许可证](https://github.com/jgm/pandoc/blob/main/COPYING.md)需要独立部署评估； +- 不能修复不存在于输入中的图片和内容。 + +判断：可选 adapter，不作为唯一内部表示。 + +### 4.4 Marko、Mistune 等 Python parser + +[Marko](https://marko-py.readthedocs.io/en/latest/) 提供纯 Python CommonMark AST 和扩展机制，Mistune 偏向 +高速渲染。它们都能用于特定场景，但相较 `markdown-it-py`，当前项目更看重现成插件、维护活跃度、 +生态采用以及块级 source map。第一轮 spike 不必同时维护三个 Python parser。 + +## 5. 损坏 HTML 与表格恢复 + +[html5lib](https://html5lib.readthedocs.io/en/stable/) 按 WHATWG 浏览器解析算法处理可能损坏的 HTML， +可以输出 ElementTree 或使用 lxml tree builder；[lxml 的 HTML5 接口](https://lxml.de/4.5/apidoc/lxml.html.html5parser.html) +也支持 fragment 解析。 + +推荐流程： + +1. 从 Markdown AST 中只取 raw HTML fragment，不把整篇 Markdown 当 HTML； +2. 保存原 fragment、source span 和哈希； +3. 使用 html5lib 容错解析并收集 parser errors； +4. 构建显式二维 table grid，展开 `rowspan`/`colspan`； +5. 校验每个输出 cell 都能映射到原节点或 source 区域； +6. 仅无合并单元格的简单矩形表格输出 GFM； +7. 复杂表格输出规范 HTML，并并行保留 JSON grid； +8. parser 自动补齐的标签只说明“语法可恢复”，不能自动标为“语义已验证”。 + +不能采用旧实现那样用正则匹配 `...
`：审计已经证明大量闭合标签缺失，正则既无法正确嵌套， +也会把后续正文吞入表格。 + +## 6. PDF、DOCX 和图片回源候选 + +### 6.1 Docling：默认候选 adapter + +[Docling](https://docling.org/) 支持 PDF、Office、HTML、Markdown、图片等格式，能输出 Markdown 和结构化 +`DoclingDocument`；后者包含表格、层级、bbox 和 provenance +（[DoclingDocument 说明](https://github.com/docling-project/docling/blob/main/docs/concepts/docling_document.md)）。 +项目是 Python/MIT，OCR 后端可插拔。 + +它与审计需求最匹配的不是“Markdown 看起来更漂亮”，而是能先保存结构化、带位置的中间结果，再由我们 +生成 fidelity/profile 输出。因此建议把 Docling 作为第一批回源 adapter 的基准候选。 + +但它仍不能成为无条件真值：OCR、阅读顺序和表格模型都会出错，VLM 路径也可能生成内容。必须在 001、003 +有原始 PDF 的受控样本上验证字符、数字、表格和图片，不以官方 demo 或总准确率代替本项目测试。 + +### 6.2 Unstructured + +[Unstructured partition](https://docs.unstructured.io/open-source/core-functionality/partitioning) 能把多种格式切成 +`Title`、`NarrativeText`、`ListItem`、`Table` 等元素，一些格式保留页码、坐标和 table HTML，适合作为 +另一种 source adapter 或元素分类对照。 + +其 `cleaners` 不能整体照搬。例如官方实现中的 `clean_dashes` 会替换连字符，`clean_bullets` 会删除项目符号， +`clean_non_ascii_chars` 会丢弃非 ASCII 字符；这对中文法律文本、项目编号和列表结构明显过于激进 +（[cleaners 源码](https://github.com/Unstructured-IO/unstructured/blob/main/unstructured/cleaners/core.py)）。 + +判断：可评估 partition/metadata；不采用通用 `clean(...)` 作为默认清洗策略。 + +### 6.3 MinerU、Marker、MarkItDown + +- [MinerU](https://github.com/opendatalab/MinerU) 支持 PDF/Office/图片到 Markdown、JSON 和图片资产，能力覆盖广， + 但本地审计已经展示某些现有解析产物中的幻觉与退化；此外它当前是 Apache-2.0 加附加商业与署名条款， + 不是无条件的标准 Apache-2.0（[MinerU 许可证](https://github.com/opendatalab/MinerU/blob/master/LICENSE.md)）。 +- [Marker](https://github.com/datalab-to/marker) 能输出 Markdown、JSON、HTML 和 chunks，也暴露页/块结构；代码为 + Apache-2.0，但模型权重采用带商业门槛和用途限制的修改版 OpenRAIL-M，必须把代码与模型许可分开审查 + （[Marker 模型许可证](https://github.com/datalab-to/marker/blob/master/MODEL_LICENSE)）。 +- [Microsoft MarkItDown](https://github.com/microsoft/markitdown) 是轻量多格式→Markdown 工具，适合低成本文本提取， + 但它的目标不是页级 provenance、复杂表格忠实恢复或审计账本。 + +判断：三者都可成为 benchmark adapter，不应把任何一个输出直接标为 fidelity 真值。第一轮优先比较 +Docling、MinerU 和 Marker 的结构化 JSON，而不是只比较最终 Markdown 的视觉效果。 + +## 7. 编码、内容退化和隐私工具 + +### 7.1 `ftfy` + +[ftfy](https://ftfy.readthedocs.io/en/latest/) 用保守启发式修复 Unicode mojibake，目标之一是避免把正常文本 +误改。它适合发现和建议典型 UTF-8/Windows-1252 误解码。 + +边界： + +- 已经变成 `�` 的原字符信息不在字符串中，ftfy 无法凭空恢复； +- 私用区字符需要字体或源文件映射； +- 中文旧编码误解码和法律文本中的兼容字符仍需专门验证； +- 即使候选看起来合理，也要保留 before/after、置信度和规则版本。 + +建议：作为 detector/candidate fixer；默认 profile 只自动应用有严格前置条件、通过实体保护检查的修复。 + +### 7.2 重复、低熵和幻觉模板 + +[DataTrove](https://github.com/huggingface/datatrove) 是大规模文本过滤/去重框架，已有行重复率、长行比例、 +标点比例、语言分数和 contamination 等统计。它的默认任务是筛掉低质量训练语料，而本项目需要定位并修复 +文档中的局部区域。 + +建议借鉴指标，不把 DataTrove 作为核心依赖： + +- 最大行长与结构白名单； +- 字符/短片段 run-length； +- 唯一字符、token 和 n-gram 比例； +- 压缩率与局部信息熵； +- 相邻和非相邻重复块； +- 文档主要语言与局部语言突变； +- 已知转换器/模型幻觉签名。 + +detector 只产生 issue 和范围。没有可信来源时，默认隔离或人工确认，不自动编写替代内容。 + +### 7.3 Presidio + +[Presidio](https://microsoft.github.io/presidio/) 支持文本、图片和结构化数据中的 PII 检测与匿名化，并允许使用 +正则、校验和、上下文、NER 和自定义 recognizer。官方也明确说明自动检测不能保证找到全部敏感信息。 + +适合： + +- 作为可选 privacy adapter； +- 为中国身份证、统一社会信用代码、手机号、银行账号等实现校验和与上下文 recognizer； +- 用 custom operator 实现稳定、按实体区分的伪名； +- 把文本、表格单元格和图片脱敏放进同一 profile。 + +不适合： + +- 默认把所有候选直接覆盖； +- 把不同值统一变成同一 `[PHONE]`/`[ID]`； +- 认为通用 NER 已覆盖中文政务/合同实体； +- 把 privacy profile 与 fidelity 修复写死在一起。 + +## 8. 推荐的领域无关架构 + +下面是候选架构，不是已批准契约： + +```mermaid +flowchart LR + A[Markdown / HTML / PDF / DOCX / Image] --> B[Immutable source artifact] + B --> C[Preflight detectors] + B --> D[Parser / source adapters] + C --> E[Issue ledger] + D --> F[Document IR] + F --> G[Validation and routing] + E --> G + G --> H[Safe deterministic repair] + G --> I[Source-verified repair] + G --> J[Quarantine / human review] + H --> K[Canonical fidelity document] + I --> K + J --> K + K --> L[Fidelity profile] + K --> M[Retrieval profile] + K --> N[Compare profile] + K --> O[Public/privacy profile] + L --> P[Markdown + assets + audit] + M --> P + N --> P + O --> P +``` + +### 8.1 Immutable source artifact + +任何输入先冻结：原始 bytes、SHA-256、媒体类型、来源 ID 和接收时间。后续全部是新产物，不原地覆盖。 +只有路径而没有内容哈希不足以复现。 + +### 8.2 Document IR + +IR 至少需要表达： + +- block/node 类型、层级和子节点； +- 原始 byte/line/column span； +- 有源文档时的 page、bbox、source artifact hash； +- 文本、表格网格、图片 asset ref 和文档边界； +- parser/extractor、版本和置信度； +- issue、annotation、repair 和 unresolved 关联。 + +不要让 Markdown AST 直接承担全部职责：mdast 或 markdown-it token 不包含完整的 PDF provenance、表格网格、 +修复证据和多 profile 状态。也不要直接把 DoclingDocument 定为公共契约，否则核心会被某个提取器绑定。 + +### 8.3 Detector 与 transformer 分离 + +每条规则先检测，再决定是否变换。建议规则声明： + +- `rule_id` 与版本； +- 支持的 node/input 类型； +- source span 与证据； +- safety level； +- 是否确定性、幂等、可逆； +- 影响文本、数字、实体、结构、资产或下游权重； +- 验收 predicate。 + +安全级别建议： + +| 级别 | 含义 | 默认行为 | +|---|---|---| +| `detect_only` | 只能确认异常，不能确认正确内容 | 记录 issue，不修改 | +| `deterministic` | 不改变语义、前置条件严格 | 可自动执行并记录 | +| `source_verified` | 新内容可回链到可信源区域 | 自动或抽检执行 | +| `heuristic` | 有合理推断但可能误伤 | profile 显式开启或人工确认 | +| `forbidden_without_source` | 金额、编号、缺失正文等无法猜测 | 隔离/未解决 | + +### 8.4 Canonical fidelity 与 profiles + +核心不应硬编码只有 `clean_fidelity.md` 和 `clean_compare.md`。更通用的方式是先生成 canonical fidelity +document，再由 profile 派生： + +| Profile | 目标 | 典型变化 | +|---|---|---| +| `fidelity` | 法律/业务忠实与可回源 | 只含确定性和源验证修复 | +| `retrieval` | 搜索、RAG 和可读分块 | 规范段落、结构化 chunk、保留来源 | +| `compare` | 相似度与模板分析 | 页眉页脚降噪、稳定图片 token、模板标注/降权 | +| `public` | 可共享样例或外部处理 | 确定性伪名、图片/二维码脱敏、严格日志脱敏 | + +未来项目可以增加自己的 profile；GovDoc 的章节模式、投标模板、compare 权重和中国政务字段放在插件/配置包， +不能污染领域无关 core。 + +## 9. 建议的第一版产品边界 + +第一版不要一开始就做“全自动修复所有 Markdown”。建议逐层交付。 + +### M0：只读 audit + +- 接受 Markdown； +- 冻结哈希并解析 CommonMark/GFM/raw HTML 边界； +- 输出 issue、source span、统计和阻断等级； +- 覆盖编码、超长行、重复退化、链接/图片、标题、HTML/GFM 表格和 PII 候选； +- 不改输入，不需要 PDF 模型。 + +这一阶段可以最早验证规则召回、误报、性能和审计 schema，不把修复风险混进来。 + +### M1：安全规范化 + +- 只执行严格确定性的 LF、NFC、尾空白、空标题等修复； +- 每项变更有 source span 和 before/after hash； +- 输出 fidelity Markdown、audit 和 unresolved； +- 强制幂等、确定性和原输入不覆盖。 + +### M2：结构与回源 + +- raw HTML fragment 恢复和 table grid； +- Docling source adapter； +- 图片 asset store 与 manifest； +- 页/区域级 re-extract； +- 标题、列表、段落只在来源或高置信结构证据下恢复。 + +### M3：多用途 profile + +- `retrieval`、`compare`、`public`； +- privacy adapter； +- 模板标注/权重和稳定实体/图片 token； +- 各 profile 的差异可回链到 fidelity。 + +### M4：插件与规模化 + +- 稳定 rule/adapter/profile API； +- 项目专属配置包； +- 并行批处理、缓存、可恢复任务和机器可读报告； +- 再评估 CLI、Python SDK、服务接口和跨语言消费。 + +## 10. 选型 spike 与验收建议 + +进入实现前建议建立下一份 design，并批准两个小型 spike。 + +### Spike A：Markdown/HTML 核心 + +使用脱敏合成 fixture 和审计列出的结构模式，比较： + +- `markdown-it-py` + 自有 IR/renderer； +- remark/mdast 作为对照； +- html5lib 与 lxml recover 对损坏 table fragment 的差异。 + +至少覆盖：未闭合 table、GFM 多/少列、raw HTML 与 Markdown 交错、代码围栏内伪标签、超长行、中文硬换行、 +图片 URL、Word `_Toc`、标题断裂和多余转义。 + +验收关注：source span 完整率、round-trip 语义一致、没有静默 cell 丢失、幂等性、峰值内存和每 MiB 耗时。 + +### Spike B：回源提取 + +只在受控环境抽取 001、003 的风险分层页面，对 Docling、MinerU、Marker 做 A/B： + +- 原文字符和关键实体准确率； +- 表格网格、合并单元格和阅读顺序； +- 图片数量、bbox 和 asset 引用； +- 已知幻觉与重复退化命中； +- CPU/GPU、耗时、峰值内存、模型版本和许可证约束。 + +不能只比较“生成的 Markdown 肉眼是否整齐”，也不能把某个引擎自己的置信度当作金标。 + +### 回归体系 + +- 公开/合成 fixture 进入 Git，复现结构问题但不包含客户原文； +- 真实样本只在外部受控目录运行，以 case/file/page ID 和聚合指标报告； +- P0 页面 100% 人工核对，其他页面风险分层抽样； +- 金额、日期、项目编号、公司名、身份证候选做前后对账； +- 每个 transformer 测幂等、确定性、边界和反例； +- fidelity、retrieval、compare、public 分别验收，不能用单一“清洗率”。 + +## 11. 明确不建议的路线 + +- 不恢复旧版逐行正则清洗器作为默认基线； +- 不对原文件直接运行 Prettier/mdformat 并覆盖； +- 不用正则解析或补齐 HTML 表格； +- 不把 parser 无报错当成 Markdown 正确； +- 不对全文执行 `clean_extra_whitespace`、`clean_dashes`、全局 NFKC 或非 ASCII 删除； +- 不因重复就删除合同条款，不因语言突变就自动删除段落； +- 不用生成模型补写缺失文字、表格单元格或图片说明； +- 不让不同实体、图片和缺失区域坍缩成同一个通用 token； +- 不把某个 PDF 提取器的 Markdown 直接当权威真值； +- 不把 GovDoc 的投标/采购规则写进通用 core。 + +## 12. 下一份 design 需要决定的事项 + +1. 是否批准“Python core + adapter/profile”方向； +2. 第一阶段是否只做 Markdown audit，暂不引入 PDF/OCR 重依赖； +3. 内部 IR 的最小字段和版本策略； +4. audit/unresolved 的事件粒度与敏感信息保存边界； +5. `fidelity`、`retrieval`、`compare`、`public` 哪些进入第一版； +6. Markdown dialect 是 CommonMark + GFM，还是还要支持 frontmatter、math、directives； +7. Docling/MinerU/Marker 的 benchmark 范围和许可证审查责任； +8. 真实数据输出目录、保留周期、人工审核和脱敏规则； +9. Python SDK、CLI、配置文件和插件 API 哪些属于首个可交付范围。 + +在这些事项获得批准前，本报告只代表调研判断，不代表依赖、schema 或产品行为已经确定。 + +## 13. 主要资料来源 + +本次优先使用官方文档、规范和上游仓库，GitHub 活跃度与许可证检查日期为 2026-08-20： + +- [CommonMark 规范](https://spec.commonmark.org/0.31.2/) +- [GitHub Flavored Markdown 规范](https://github.github.io/gfm/) +- [markdown-it-py 文档](https://markdown-it-py.readthedocs.io/en/latest/) +- [mdformat 文档](https://mdformat.readthedocs.io/en/stable/) +- [remark](https://github.com/remarkjs/remark) 与 [mdast](https://github.com/syntax-tree/mdast) +- [Pandoc filters](https://pandoc.org/filters.html) +- [Docling](https://docling.org/) 与 [DoclingDocument](https://github.com/docling-project/docling/blob/main/docs/concepts/docling_document.md) +- [Unstructured partition/cleaning](https://docs.unstructured.io/open-source/core-functionality/partitioning) +- [html5lib](https://html5lib.readthedocs.io/en/stable/) +- [ftfy](https://ftfy.readthedocs.io/en/latest/) +- [Presidio](https://microsoft.github.io/presidio/) +- [DataTrove](https://github.com/huggingface/datatrove) +- [MinerU](https://github.com/opendatalab/MinerU) +- [Marker](https://github.com/datalab-to/marker) +- [MarkItDown](https://github.com/microsoft/markitdown)