建立实验室共用库定位并完成论文/GovDoc 两批数据的问题审计

- README 更新项目定位为实验室共用清洗库，明确 data/ 职责与 profile 复用原则； - 新增 ClinDB-ReviewBench（论文清洗）5 份 Markdown 问题审计（scratch），并确定第一版清洗范围：9 类确定性规则（reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md）； - 45 份政务文档审计重命名为 GOVDOC_SAAS_CLEANING_SCOPE.md，截去第 6 节起的实施建议，只保留问题报告（396 行）； - 收录 2026-08-20 生态调研草稿（scratch）。
2026-08-21 17:44:23 +08:00
parent be1a600fdc
commit 977bfb832b
5 changed files with 1240 additions and 10 deletions
@@ -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 `<table>...</table>` 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（`&amp;gt;400`、`&amp;lt;1.2`、`MAP&amp;lt;70`，第 27/33/39 行等）；ejhf 8 处（`A1C&amp;lt;7`、`7≤A1C&amp;lt;8`，第 143 行）。
+- 处置选项：还原一层转义（`&amp;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 `<td></td>`，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。
@@ -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 `<table>...</table>`：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)