 Bepr4
|
48dd02ce1d
|
记录 45 份 GovDoc 测试 Markdown 的 HTML 表格只读结构分析
新增 research-wiki/scratch/html-table-real-data-analysis-2026-08-21.md：
按展开 span 后行列一致性给 2474+356+1879 个顶层表格分类（剔除空 tr 后
简单表 53% / 合并合并表 8% / 损坏表 40%），定位标签不闭合、丢失
colspan 标注、无表头三类主因。README 当前阶段补对应条目。
|
2026-08-22 15:05:35 +08:00 |
|
|
Bepr4
|
8c23ac5521
|
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。
|
2026-08-22 15:02:21 +08:00 |
|
|
Bepr4
|
3edeeaf30e
|
实现第一版内存清洗核心
落实不可变数据契约、组件基类、原子修改执行器与顺序流水线。补充稳定性复查、审计记录、测试和当前机制文档。
|
2026-08-22 01:03:03 +08:00 |
|
|
Bepr4
|
8ac4f1dd12
|
更名 mdpolish 并补充清洗流水线设计与调研记录
- 仓库由 govdoc-md-cleaner 更名为 mdpolish，更新 README、AGENTS、CLAUDE
及 reference 中的仓库名；冻结的 design 与带日期 scratch 保留旧名
- 冻结 0002：可组合清洗组件与流水线（check/transform、单轮修改加最终复查）
- 新增 0003 草稿：第一版可执行核心架构，待评审
- 新增 HTML 表格清洗专题调研（2026-08-21）
|
2026-08-21 22:49:03 +08:00 |
|
|
Bepr4
|
951fba150b
|
精简 GovDoc 审计范围：移除敏感信息章节与占位 .gitkeep
- 删除 GOVDOC_SAAS_CLEANING_SCOPE.md 的 4.11 S001（敏感信息）整节，
及结论摘要中对应的第 7 条合规风险要点；
- reference/ 与 scratch/ 已有实际内容，移除占位 .gitkeep。
|
2026-08-21 17:47:34 +08:00 |
|
|
Bepr4
|
977bfb832b
|
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 |
|
|
Bepr4
|
be1a600fdc
|
重置项目并建立文档治理基础架构
- 移除旧清洗器、规则、测试和打包配置
- 增加 AGENTS.md 与 CLAUDE.md 同步协作规范
- 建立 research-wiki 文档生命周期和首个设计记录
|
2026-08-20 17:20:53 +08:00 |
|