# mdpolish

实验室共用的 Markdown 清洗研究与基础工具库。项目不属于 GovDoc 专用组件，也不只服务政务文档。

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、修改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。

仓库当前已从纯文档治理进入第一版核心和 ClinDB 第一批组件实现阶段：已经提供可安装的 Python 内存处理包、
8 个论文清洗组件和本地实验入口，能够保存指定论文的成功输出、审计和 diff。仓库仍不提供面向任意数据集的完整规则集、
公共命令行工具、通用文件适配器或生产接口，因此目前还不是拿来即可完成任意 Markdown 清洗的成品工具。

## 当前阶段

项目当前已经进入第一版可执行核心和真实组件验证阶段：

- 提供可安装的 Python 3.11+ 内存处理包，运行时只依赖标准库；
- 已实现不可变数据契约、组件基类、原子修改执行器、顺序流水线、审计记录和最终稳定性复查；
- 已实现 ClinDB 第一批 8 个正式组件，覆盖 Word 批注、手稿行号、arXiv 戳、重复页眉、批准映射断词、
  HTML 表格实体与布局、参考文献空行；
- 已有仓库内实验运行层，能严格读取显式清单、保存成功 Markdown、JSON 审计和 unified diff，并保持输入不变；
- 第一批流水线已对 5 份论文 Markdown 完成保存型实验，5/5 成功，共记录 155 条修改，第二次运行零修改；
- 当前基础检查为 Ruff、mypy 和 204 项 pytest 测试，实际命令见本文“当前可用检查”。

项目还没有面向任意数据集的完整清洗规则集、Markdown/HTML 通用 parser、profile 格式、通用文件输入接口、公共 CLI、
通用批处理或生产接口。当前 first-batch 实验脚本只固定运行已批准的 5 份论文和 8 个组件；它只能证明当前 8 类确定规则
已经闭环，不能据此认为论文中的缺失内容、乱码、复杂表格、图片或 GovDoc 已具备完整清洗能力。

## 服务对象与复用目标

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。

## 测试数据

- **论文 Markdown**：`data/md/`，共 5 份，按 ClinDB-ReviewBench 中使用的论文缩写命名，
  供本地查看和组件只读验证；
- **GovDoc Markdown**：`/home/lihaoze/gov_test_data/compare`，共 7 组、45 份，输入位于各组 `uploads/` 下，
  保持仓库外只读，不复制到本项目。

两组数据都不是可提交的自动测试 fixture。`data/` 已被 Git 忽略，清洗实验不得覆盖这些输入。

本地清洗实验产物位于 `artifacts/<YYYY-MM-DD>/runs/<run_id>/`。产物可能包含完整原文，同样受 Git 忽略，
默认保留 30 个日历日，不得提交或复制到外部系统。当前只批准为上述 5 份论文副本保存产物，未批准保存 GovDoc 输出。

## 面向复用的设计原则

- **通用核心**：只接收 Markdown；第一版只执行确定、可审计的精确修改，不读取 PDF、图片或转换器 JSON；
- **输入边界**：PDF/OCR/DOCX/HTML 转换和外部材料核验由使用项目或上游流程负责，不写入共用组件契约；
- **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；当前核心不猜测修改，也不承担人工确认流程；
- **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**：新增项目在自身边界处理上游适配，并主要组合或补充组件和 profile，而不是复制一套清洗器。

## 目录结构

```text
mdpolish/
├── .gitignore
├── AGENTS.md
├── CLAUDE.md
├── README.md
├── pyproject.toml                    # Python 包、构建和开发检查配置
├── src/
│   └── mdpolish/
│       ├── __init__.py               # 第一版核心公共导出
│       ├── component.py              # 组件基类和元数据契约
│       ├── edits.py                  # 文本编辑验证与原子应用
│       ├── experiment.py             # 本地实验输入预检与批量编排
│       ├── models.py                 # 不可变数据模型和运行状态
│       ├── pipeline.py               # 顺序执行和最终稳定性复查
│       ├── reporting.py              # JSON 审计、行列位置和 unified diff
│       ├── artifact_store.py         # 私有产物目录和原子发布
│       ├── _html_table.py            # 严格 HTML 表格词法范围
│       ├── _text_ranges.py           # 精确物理行与换行范围
│       ├── py.typed                   # 类型信息声明
│       └── components/
│           ├── __init__.py
│           ├── arxiv_submission_stamp.py
│           ├── html_table_double_escape.py
│           ├── html_table_layout.py
│           ├── manuscript_line_number.py
│           ├── page_break_word_join.py
│           ├── reference_spacing.py
│           ├── repeated_running_header.py
│           └── word_review_comment.py
├── scripts/
│   ├── run_clindb_arxiv_experiment.py      # 只含 arXiv 组件的历史实验入口
│   └── run_clindb_first_batch_experiment.py # ClinDB 第一批 8 组件实验入口
├── tests/
│   ├── test_arxiv_submission_stamp.py
│   ├── test_artifact_store.py
│   ├── test_clindb_first_batch_pipeline.py
│   ├── test_component.py
│   ├── test_edits.py
│   ├── test_experiment.py
│   ├── test_html_table_double_escape.py
│   ├── test_html_table_layout.py
│   ├── test_manuscript_line_number.py
│   ├── test_models.py
│   ├── test_page_break_word_join.py
│   ├── test_pipeline.py
│   ├── test_reference_spacing.py
│   ├── test_repeated_running_header.py
│   ├── test_reporting.py
│   └── test_word_review_comment.py
├── data/                              # 本地测试数据；Git 忽略；此处只展开常用入口
│   └── md/
│       ├── dmp.md
│       ├── ejhf.md
│       ├── jama.md
│       ├── sim.md
│       └── springer.md
├── artifacts/                         # 本地敏感实验产物；Git 忽略
│   └── <YYYY-MM-DD>/runs/<run_id>/
└── research-wiki/
    ├── README.md                       # Wiki 分类与维护规则
    ├── design/                         # 批准前的选择；批准后冻结
    ├── explanation/                    # 当前有效机制及原因
    ├── reference/                      # 稳定查询事实
    ├── guides/                         # 已验证操作步骤
    └── scratch/                        # 调研和未收敛材料
```

## 开始工作

进入仓库后依次阅读：

1. 本文件，确认当前阶段；
2. `AGENTS.md` 或 `CLAUDE.md`，确认协作与安全边界；
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。

第一版核心机制见 `research-wiki/explanation/first-executable-core.md`，ClinDB 第一批组件见
`research-wiki/explanation/clindb-first-batch-components.md`，本地实验产物机制见
`research-wiki/explanation/local-experiment-artifacts.md`，实际运行步骤见
`research-wiki/guides/run-local-clindb-first-batch-experiment.md`。解析器、CLI、文件适配器、profile 格式、图片资产打包和
独立检查能力仍需分别设计；当前本地实验适配器不能被推导成这些公共接口已经获批。

## 当前可用检查

```bash
# 建立隔离环境并安装包与开发检查工具
python -m venv .venv
.venv/bin/python -m pip install -e '.[dev]'

# 第一版核心的基础验收
.venv/bin/ruff check .
.venv/bin/mypy src tests scripts/run_clindb_arxiv_experiment.py scripts/run_clindb_first_batch_experiment.py
.venv/bin/pytest

# 两份 Agent 入口除标题外必须一致；无输出且退出码为 0 表示通过
diff -u <(tail -n +2 AGENTS.md) <(tail -n +2 CLAUDE.md)

# 查看当前 Wiki 中实际存在的文档
find research-wiki -maxdepth 2 -type f | sort

# 检查本地变更
git status --short
```

上述安装和三项基础验收已于 2026-08-22 在 Python 3.13.11 环境实际运行：Ruff 通过，mypy 检查 37 个源码、
测试和实验脚本文件无问题，pytest 共 204 项测试通过。`requires-python` 仍以 `pyproject.toml` 声明的 Python 3.11 及以上为准；
本次结果不等于已经在每个受支持版本上完成兼容性验证。