# 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)