govdoc-md-cleaner v0.1.0: 政务文档 Markdown 清洗工具（规则引擎 + CLI + 测试）

- 8 条 YAML 声明规则：页码/页眉页脚/目录点线/图片/HTML表格/散落标签/行尾空白/空行
- 防误伤设计：protect 正则 + 内容形态豁免 + OCR burst 检测
- md-clean single/batch CLI，JSON 清洗报告
- 18 个单元测试

Co-Authored-By: Claude <noreply@anthropic.com>

rules/default.yaml

@@ -0,0 +1,55 @@
+# 政务文档 Markdown 默认清洗规则集
+# 每条规则: name(必填，须在引擎 REGISTRY 中注册) / order(应用顺序) / enabled / params
+# 针对 PDF→Markdown 管线（MinerU/OCR）产物的典型脏数据。
+
+rules:
+  # 1) 页码行："第 X 页 共 Y 页" / "第X页共4页" / "Page 3 of 10" / "3 / 10"
+  - name: strip_page_lines
+    order: 10
+    params:
+      keep_bare_numbers: true   # 单独一行纯数字（可能是页码也可能是编号），默认保留
+
+  # 2) 页眉页脚 + OCR 重复崩坏行：
+  #    a) 同一短行全篇重复 >= threshold 次（如逐页出现的项目名、"正本"）
+  #    b) 同一短行连续刷屏 >= burst_limit 次（OCR 崩坏，如"审计程序"×1359）
+  #    protect 列出"重复但属于正文模板"的保护正则（标书里逐章出现的签章/日期栏）
+  #    内容形态行（编号条款/列表/表格行）天然重复，已在引擎侧豁免
+  - name: strip_repeated_short_lines
+    order: 20
+    params:
+      threshold: 3
+      max_len: 40
+      burst_limit: 5
+      burst_gap: 2
+      protect:
+        - "公章"            # 投标人：（公章）
+        - "签名|签字|盖章"   # 法定代表人签名:
+        - "日期|年.*月.*日"  # 日期: / 日期: 年 月 日
+        - "^致[:：]"        # 致：xxx（投标函收件人）
+        - "负责|声明"       # 声明函固定结尾句（中小企业声明函等）
+
+  # 3) 目录点线："第一章 投标邀请函 ……………… 2"（保留标题文字，去掉点线和页码）
+  - name: strip_toc_dots
+    order: 30
+
+  # 4) 图片引用：![](images/xxx.jpg) 为死链，整行删除
+  - name: drop_images
+    order: 40
+    params:
+      placeholder: null          # 需要保留位置时改为 "[图]" 之类
+
+  # 5) HTML 表格 → Markdown 管道表格（<table><tr><td> 单行压缩形态）
+  - name: normalize_tables
+    order: 50
+
+  # 6) 散落的 <br/> 标签
+  - name: strip_stray_html
+    order: 60
+
+  # 7) 行尾空白（MinerU 输出每行带双空格硬换行符）
+  - name: rstrip_lines
+    order: 70
+
+  # 8) 连续空行压为 1 行，裁掉文首文末空白
+  - name: collapse_blank_lines
+    order: 80