144 lines
8.9 KiB
Markdown
144 lines
8.9 KiB
Markdown
# 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实现阶段：已经提供可安装的 Python 内存处理包和测试，用于验证
|
||
组件组合、精确修改和审计协议，并已有一个严格整行匹配的论文清洗组件。仓库仍不提供完整规则集、命令行工具、
|
||
文件读写适配器或生产接口，因此目前还不是拿来即可完成整篇文档清洗的成品工具。
|
||
|
||
## 当前阶段
|
||
|
||
2026-08-20 已完成仓库重置与最小文档治理骨架：
|
||
|
||
- 原有 Python 实现、YAML 规则、测试和打包配置已经移除；
|
||
- `AGENTS.md` 与 `CLAUDE.md` 提供同步的协作规则；
|
||
- `research-wiki/` 按文档生命周期区分设计、说明、参考、指南和草稿；
|
||
- `research-wiki/design/0001-repository-foundation.md` 记录本次基础架构选择。
|
||
- `research-wiki/reference/GOVDOC_SAAS_CLEANING_SCOPE.md` 保存 45 份外部测试 Markdown 的只读问题审计；
|
||
- `research-wiki/scratch/markdown-cleaning-ecosystem-research-2026-08-20.md` 完成首轮生态与架构调研。
|
||
- 2026-08-21 完成师姐项目（ClinDB-ReviewBench）5 份论文 Markdown 的问题审计
|
||
（`research-wiki/scratch/data-5papers-cleaning-audit-2026-08-21.md`），并确定其第一版清洗范围
|
||
（`research-wiki/reference/CLINDB_REVIEWBENCH_CLEANING_SCOPE.md`，8 类自动清洗候选）。
|
||
- 2026-08-21 明确本项目定位为实验室共用库；GovDoc 和论文清洗都是使用场景，不是核心边界。
|
||
- 2026-08-21 批准并冻结 `research-wiki/design/0002-composable-cleaning-pipeline.md`，确定只接收 Markdown、
|
||
项目显式组装组件、单轮修改加最终只读复查的总体组织方式。
|
||
- 2026-08-22 批准并冻结 `research-wiki/design/0003-first-executable-core-architecture.md`，确定第一版只建设
|
||
Python 内存自动清洗核心：组件只提出确定可执行的精确修改，不同时建设独立检查、人工建议或真实清洗规则。
|
||
- 2026-08-22 按 `0003` 实现第一版内存核心和测试：包括不可变数据契约、组件基类、原子修改执行器、
|
||
顺序流水线和最终稳定性复查；58 项测试以及 Ruff、mypy 检查均通过。
|
||
- 2026-08-22 批准并实现 `research-wiki/design/0004-arxiv-submission-stamp-component.md`：新增严格整行匹配的
|
||
arXiv 提交边栏戳删除组件；5 份论文只读复核只命中 sim 和 springer 各一处，两处合法参考文献保持不变，
|
||
第二次运行零修改，源文件没有变化。
|
||
- 2026-08-21 完成 HTML 表格清洗专题调研
|
||
（`research-wiki/scratch/html-table-cleaning-ecosystem-research-2026-08-21.md`）：核实 Pandoc 表格
|
||
方言能力边界、Turndown 不处理合并单元格、Docling Markdown 导出重复合并单元格内容、MinerU 全
|
||
HTML 输出，印证审计 T001 的分流方向。
|
||
- 2026-08-21 仓库由 `govdoc-md-cleaner` 更名为 `mdpolish`，GitHub 远程仓库与本地目录同步改名；
|
||
冻结的 design 记录和带日期的 scratch 笔记保留当时的旧名。
|
||
|
||
当前已有只处理内存字符串的底层执行机制和函数级契约，运行时只依赖 Python 标准库。组件可以针对当前
|
||
Markdown 快照提出精确修改，流水线负责原子应用、审计记录、失败隔离和最终稳定性复查。当前唯一正式组件只删除
|
||
完整匹配的 arXiv 提交边栏戳，不能把这一项能力理解为已经具备完整论文、GovDoc、表格或图片清洗能力。
|
||
调研报告中的解析器、内部 IR、具体 profile 和其他真实清洗规则仍是候选方案，尚未批准。
|
||
|
||
## 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。
|
||
|
||
## 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。
|
||
|
||
## `data/` 的职责
|
||
|
||
`data/` 是实验室项目的本地数据工作区。当前存放师姐论文清洗项目的输入和转换产物，未来可能继续加入
|
||
其他项目的数据。新增数据时应逐步按项目命名空间组织，例如 `data/<project_id>/...`，避免不同项目的
|
||
输入、产物和评测结果混在一起。
|
||
|
||
数据目录与通用库保持以下边界：
|
||
|
||
- `data/` 已被 Git 忽略，不作为库源码、公开 fixture 或发布包的一部分；
|
||
- 默认把项目数据视为只读输入，清洗结果写到独立输出位置，不覆盖原文件；
|
||
- 数据可以推动通用规则设计，但项目专属规则必须进入对应 profile；
|
||
- 测试需要的公开样例应单独制作脱敏、最小化 fixture，不能直接复制真实项目文档；
|
||
- `/home/lihaoze/gov_test_data` 等仓库外真实材料同样保持只读，不复制、不修改、不提交。
|
||
|
||
任何清洗语义、规则格式、评估指标、代码目录或运行依赖，都应先形成设计记录并获得确认。研究结果进入
|
||
具体项目或生产系统前，还需要在使用方范围内独立验证。
|
||
|
||
## 目录结构
|
||
|
||
```text
|
||
mdpolish/
|
||
├── AGENTS.md
|
||
├── CLAUDE.md
|
||
├── README.md
|
||
├── pyproject.toml # Python 包、构建和开发检查的唯一配置
|
||
├── src/mdpolish/ # 第一版内存核心和已批准的业务组件
|
||
├── tests/ # 核心契约和组合行为测试
|
||
├── data/ # 本地项目数据；Git 忽略，未来按项目分区
|
||
└── research-wiki/
|
||
├── README.md
|
||
├── design/ # 方案选择与冻结决策
|
||
├── explanation/ # 当前有效机制及原因
|
||
├── reference/ # 需要准确查询的稳定事实
|
||
├── guides/ # 已实际验证的操作步骤
|
||
└── scratch/ # 调研笔记和未收敛草稿
|
||
```
|
||
|
||
## 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。
|
||
|
||
第一版核心的当前机制见 `research-wiki/explanation/first-executable-core.md`，首个真实组件见
|
||
`research-wiki/explanation/arxiv-submission-stamp.md`。下一项候选是 ClinDB 范围中的 HTML 实体双重转义，
|
||
但必须先用新 design 确定只在哪些 HTML 范围替换、如何避开字面示例以及实体替换边界。解析器、CLI、文件适配器、
|
||
profile 格式和独立检查能力仍需分别设计，不能从当前核心或单个组件存在推导为已经获批。
|
||
|
||
## 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
|
||
.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 12 个源码与
|
||
测试文件无问题，pytest 共 87 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。
|