mdpolish/README.md

mdpolish

mdpolish 是实验室共用的、项目无关的 Python Markdown 修改库。它提供函数式 Modifier、精确文本编辑执行器、 有序 Pipeline、正则修改器工厂，以及少量可以用合成样例完整说明的通用修改器。

当前源码包版本是 0.3.0。库只处理内存中的 Markdown 字符串，不读取或写入文件，不提供默认流水线，也不包含任何 项目的规则集合、数据清单、实验脚本或评审工具。v0.3.0 tag 和 GitHub Release 尚未创建，因此当前源码是交付候选， 不是已经发布的版本。

当前能力

能力	作用	明确边界
Modifier	把不可变元数据与普通提议函数组合起来	函数只提议修改，不直接改字符串或文件
精确编辑执行器	校验快照、范围、原文、重复和冲突后原子应用一个批次	不判断项目业务语义
Pipeline	按调用方顺序运行修改器，并对最终快照做只读稳定性复查	不自动选规则、不重排、不循环执行
regex_replace()	把非空正则匹配转换为精确编辑	不提供规则注册表、配置加载或默认模式
mapped_line_join()	用精确、正则或可选本地词典规则合并跨行片段	无默认规则；代码、表格、未知结构和歧义失败关闭
HTML 表格修改器	处理严格表格子集的实体和单行布局	不是完整 HTML parser，也不是 HTML→GFM 转换器

一次运行会返回 success、failed 或 unstable：

• success：所选修改器完成运行，且对最终结果不再提出修改；
• failed：修改器、契约或编辑验证发生错误；
• unstable：运行没有错误，但最终复查仍发现有效候选修改。

success 只代表本次选择的修改器已经稳定，不代表文档不存在其他质量问题。

安装

正式版本只计划通过 GitHub tag 和 GitHub Release 交付，不发布到 PyPI 或其他 Python 包索引。v0.3.0 发布后， 使用项目可以固定不可移动的 tag：

python -m pip install 'mdpolish @ git+https://github.com/Bepr4/mdpolish.git@v0.3.0'
python -m pip install 'mdpolish[lexical] @ git+https://github.com/Bepr4/mdpolish.git@v0.3.0'
python -m pip install 'mdpolish[frequency] @ git+https://github.com/Bepr4/mdpolish.git@v0.3.0'

也可以安装同一 GitHub Release 附带的 wheel；下面的 URL 只有在 Release 实际创建后才存在：

python -m pip install 'mdpolish[lexical] @ https://github.com/Bepr4/mdpolish/releases/download/v0.3.0/mdpolish-0.3.0-py3-none-any.whl'

Release 页面同时提供 wheel 的 SHA-256 校验值。仓库或 Release 如果是私有的，调用方需要自行配置 GitHub 访问权限； 库不会保存凭据。开发环境仍从本地工作树安装：

python -m venv .venv
.venv/bin/python -m pip install -e '.[dev]'

核心运行时只依赖 Python 标准库，支持 Python 3.11 及以上版本。自动词典规则需要调用方明确安装并选择对应 extra：

python -m pip install '/path/to/mdpolish[lexical]'   # pyspellchecker + Pyphen
python -m pip install '/path/to/mdpolish[frequency]' # wordfreq，体积和传递依赖更大

安装 extra 不会自动启用规则，也不会触发在线下载或改变精确/正则规则行为。

组装自己的流水线

项目拥有规则、参数和顺序。下面的正则规则与两个通用修改器最终都是 Modifier：

from mdpolish import Pipeline, RunStatus, regex_replace
from mdpolish.modifiers import html_table_entity_unescape, mapped_line_join

normalize_spaces = regex_replace(
    modifier_id="my_project.normalize_spaces",
    version="1.0.0",
    pattern=r" {2,}",
    replacement=" ",
    applicability="把正文中连续两个及以上的 ASCII 空格收敛为一个；项目需自行排除不适用区域。",
)

join_fragments = mapped_line_join(
    (
        ("exam-", "ple", "example"),
        ("rule-", "based", "rule-based"),
    )
)

pipeline = Pipeline(
    (
        normalize_spaces,
        join_fragments,
        html_table_entity_unescape(),
    )
)

result = pipeline.transform("an exam-\nple  text")
if result.status is not RunStatus.SUCCESS:
    raise RuntimeError(f"cleaning did not succeed: {result.status}")

assert result.output_markdown == "an example text"

自动英文断词

普通英文断词不需要逐词维护映射。调用方安装 lexical extra 后，可以明确选择 pyspellchecker 的本地词典， 并用 Pyphen 排除不合法的断词位置：

from mdpolish import Pipeline, RunStatus
from mdpolish.modifiers import mapped_line_join
from mdpolish.modifiers.mapped_line_join import (
    LexicalCandidateForm,
    LexicalLineJoinRule,
    LexiconBackend,
)

join_english_wraps = mapped_line_join(
    (
        LexicalLineJoinRule(
            rule_id="english.dehyphenate",
            left_pattern=r"[A-Za-z]+",
            right_pattern=r"[a-z]+",
            separator="-",
            backend=LexiconBackend.SPELLCHECKER,
            language="en",
            candidate_forms=(
                LexicalCandidateForm.JOINED,
                LexicalCandidateForm.HYPHENATED,
            ),
            minimum_score=1.0,
            minimum_score_margin=0.5,
            hyphenation_language="en_US",
            case_sensitive=False,
        ),
    )
)

result = Pipeline((join_english_wraps,)).transform("an exam-\nple")
if result.status is not RunStatus.SUCCESS:
    raise RuntimeError(f"cleaning did not succeed: {result.status}")

assert result.output_markdown == "an example"

pyspellchecker 的内置语言词典不支持大小写敏感查询，因此这个 backend 要求调用方明确写出 case_sensitive=False；库不会替调用方改变该开关或切换 backend。上面的分数和 margin 只用于演示完整配置， 不是适合所有项目的生产阈值。JOINED 与源 HYPHENATED 会共同参与候选选择；词典不能确认唯一结果时保持原文。

库不会保存 output_markdown。调用项目应先检查状态，再自行决定写入位置：

from pathlib import Path

source_path = Path("input.md")
output_path = Path("output.md")

result = pipeline.transform(source_path.read_text(encoding="utf-8"))
if result.status is RunStatus.SUCCESS and result.output_markdown is not None:
    output_path.write_text(result.output_markdown, encoding="utf-8")

文件读取、输出命名、覆盖策略、批处理、CLI 和报告都属于调用项目，不属于 mdpolish。

编写项目自己的修改器

复杂规则使用普通函数返回精确候选修改，不需要继承库基类：

from mdpolish import DocumentSnapshot, Modifier, ProposedChange, TextEdit, TextSpan


def propose_marker_removal(snapshot: DocumentSnapshot) -> tuple[ProposedChange, ...]:
    marker = "[REMOVE-ME]"
    start = snapshot.markdown.find(marker)
    if start < 0:
        return ()
    end = start + len(marker)
    return (
        ProposedChange(
            snapshot_sha256=snapshot.sha256,
            reason="删除项目确认过的占位标记",
            edits=(
                TextEdit(
                    snapshot_sha256=snapshot.sha256,
                    span=TextSpan(start, end),
                    expected_text=marker,
                    replacement="",
                ),
            ),
        ),
    )


remove_marker = Modifier(
    modifier_id="my_project.remove_marker",
    version="1.0.0",
    parameters={"marker": "[REMOVE-ME]"},
    applicability="只删除项目声明的完整占位标记；不处理近似文本。",
    propose=propose_marker_removal,
)

修改器决定“建议改哪里、为什么改、改成什么”；公共执行器真正修改内存字符串。每项 TextEdit 都绑定当前快照哈希、 半开字符串范围、预期原文和替换文本。任意候选无效时，该修改器当前批次不会产生部分修改。

项目函数应保持确定且无副作用，不读取文件、网络、环境变量、当前时间或随机数。Python 无法沙箱隔离任意函数；项目 函数私下产生的外部副作用不属于本库的验证或审计范围。

通用修改器的严格边界

mapped_line_join() 保留 (left, right, replacement) 三元组，也接受模块 mdpolish.modifiers.mapped_line_join 中的不可变规则值。规则可以使用精确片段、两侧命名正则、只约束右侧的行尾正则， 或从行尾与行首自动生成 JOINED / HYPHENATED / SPACED 候选并查询显式选择的本地词典。自动规则不要求逐词维护 映射；精确规则和 KeepLineJoinRule 用于项目词、例外与否决。

调用方还要显式决定块范围、换行处理、冲突策略、大小写和 Unicode 规范化。默认区分大小写且不规范化；支持相邻行或 中间最多一个同风格空行，并可在一次提议内完成多行链式合并。保守词法扫描只正向识别段落、ATX 标题 continuation、 列表 continuation 和同深度引用；代码块、GFM pipe table、raw HTML table、混合候选行尾及无法确认的容器保持原文。 完整公共模型、选择流程和限制见 0009-generalized-mapped-line-join.md，真实 backend 验收、 版本身份和 GitHub 发布边界见 0010-first-cross-project-library-delivery.md。

html_table_entity_unescape() 只在严格完整的 <td> / <th> 文本中处理 <、> 和 &。html_table_layout() 只调整严格单行表格的外层行布局，并保留标签、属性和单元格内容。

这两个 HTML 修改器采用保守的词法子集，不识别 Markdown 围栏。混合换行、嵌套标签、<tbody>、嵌套表格或损坏 结构会保持原样。

仓库结构

src/mdpolish/
├── models.py              # 不可变快照、精确编辑、审计和结果模型
├── modifier.py            # 函数式 Modifier 契约
├── edits.py               # 批次验证与原子应用
├── pipeline.py            # 有序执行与最终稳定性复查
├── regex.py               # 正则修改器工厂
└── modifiers/             # 少量项目无关的通用修改器
tests/                     # 只使用虚构文本的核心与通用修改器测试
research-wiki/
├── design/                # 已批准决策及被冻结的历史记录
├── explanation/           # 当前有效机制
├── reference/             # 代码无法完整表达的稳定查询事实
├── guides/                # 已实际验证的操作步骤
└── scratch/               # 不作为当前事实的本地草稿

当前不提供

• 文件适配器、公共 CLI、配置文件、profile 或批处理协议；
• 自动规则发现、注册表或默认流水线；
• Markdown AST、完整 HTML parser 或必装的第三方运行依赖；
• artifact、报告、Web/桌面评审器；
• 任何业务项目的规则、固定参数、文档 ID、数据或验收统计。

公共边界与原因见 0008-generic-functional-library-boundary.md，当前机制见 functional-modifier-core.md。旧 design 只保存历史决策，不代表当前 交付能力。

当前可用检查

在已经安装开发依赖的仓库环境中运行：

.venv/bin/ruff check .
.venv/bin/mypy src tests
.venv/bin/pytest
.venv/bin/python -m pip wheel . --no-deps --wheel-dir /tmp/mdpolish-wheel-check

检查本地变更：

git diff --check
git status --short

上述检查已于 2026-08-27 实际运行。Python 3.13.11 核心开发环境中 Ruff 和 mypy 通过，pytest 为 170 passed, 3 skipped；三个 skip 是该环境没有安装的真实 optional backend 路径，不计入发布验收。

从 mdpolish-0.3.0-py3-none-any.whl 安装全部 extras 后，Python 3.11.16 和 Python 3.13.11 环境分别得到 173 passed，没有 skip。仓库外消费者 smoke test 已覆盖核心精确/正则规则、pyspellchecker + Pyphen 和 wordfreq 的最终输出与版本审计。wheel 共 16 个文件，只包含通用 Python 包、类型标记和包元数据；不包含 tests、 Wiki、真实数据或项目规则。当前候选 wheel 的 SHA-256 是 a510ae1755c281f7b40262e242441882f3ccbc3fbc2174c6f5db3e8a8ae85060。

上述结果证明当前候选可安装并按合成契约运行，不代表任意词典阈值已经在真实业务语料上达到生产准确率。