Scan to join WeChat group图纸文本清洗器 (Drawing Text Cleaner)
执行指令 (Instructions)
第一步：确认输入文件
输入文件必须是 Markdown 文件（文件名通常以 分栏提取_ 开头）。
第二步：运行清洗脚本
执行以下命令：
python scripts/clean_drawing.py [分栏提取_XXX.md] --output [清洗结果_XXX.md]
不指定输出路径时，脚本自动在输入文件同目录生成 清洗结果_XXX_cleaned.md。
脚本将依次执行：
- 去噪过滤：按噪声模式列表过滤轴线号、图框字段、孤立尺寸数字、残留乱码等无效行
- 片段拆分：将上游按列合并的多片段行（以
|分隔）拆开，逐段独立处理 - 语义分类：将保留文本按正则规则归入 7 个分类（见下方分类说明）
- 去重归并：同一分类内完全相同的文本只保留一条
第三步：输出结构化文本
脚本输出包含以下信息头的 Markdown 文件：
> 输入行数：XXX ｜ 去噪行数：XXX ｜ 保留行数：XXX ｜ 去噪率：XX%
随后按优先级顺序输出各分类内容：
| 分类标签 | 包含内容示例 | 对清单的价值 |
|---------|------------|------------|
| [图纸信息] | 结构设计总说明、梁平法施工图 | 定位图纸范围与楼层 |
| [设计总说明] | 项目概况、抗震等级、混凝土强度等级、 钢筋连接| 影响全局套价参数 |
| [材料强度] | C30、HRB400、M10 | 构件特征匹配必要条件 |
| [构件标识] | KL1(3) 300×500、KZ1 500×500 | 直接对应清单子目 |
| [配筋信息] | 4C20、C8@200、加密区 | 钢筋清单计量依据 |
| [标高尺寸] | ±0.000、层高=3300 | 辅助计算工程量 |
| [节点做法] | 锚固长度 laE、植筋要求 | 措施项目与特殊工艺 |
| [其他] | 无法归类的保留文本 | 人工复核 |
第四步：质量核查
完成清洗后，向用户报告去噪率。如去噪率 低于 40% 或 高于 85%，主动提示：
- 低于 40%：原始文本可能质量较好，或噪声规则覆盖不足，建议抽查
[其他]分类中的内容 - 高于 85%：过滤可能过激，建议检查
[构件标识]分类是否有漏判，确认关键构件标注未被误删
如用户确认有漏判，记录到本 Skill 的 NOISE_PATTERNS 或 CATEGORY_RULES 中进行迭代。
分类规则说明 (Classification Logic)
分类采用优先级从高到低的正则匹配，一条文本只归入第一个命中的分类。规则文件位于 scripts/clean_drawing.py 的 CATEGORY_RULES 常量中，可按项目需要扩展。
构件标识的识别依据平法标注规范（16G101系列）：
- 梁：
KL、WKL、LL、AL、JL等前缀 + 编号 + 截面尺寸 - 柱：
KZ、GZ、YZ等前缀 + 编号 - 板：
LB、WB、DB等前缀 + 编号 + 板厚 - 墙：
YQ、AQ、JQ等前缀 + 编号 + 墙厚 - 基础：
JC、CT、DJJ、JZL等
使用示例 (Examples)
场景：上游已完成提取Markdown 文件，需要清洗后生成清单
# 第一步（已完成）
dxf-text-extractor skill
→ 生成 分栏提取_总说明.md（共 2300 行）
# 第二步（本 Skill）
python scripts/clean_drawing.py 分栏提取_2F_梁平法施工图.md
# → 生成 清洗结果_2F_梁平法施工图_cleaned.md（保留 420 行，去噪率 81.7%）
# 第三步
boq-generator skill
→ 生成 最终工程量清单.md，包含 150 条子目
常见问题 (Troubleshooting)
问题：关键构件标注（如 KL3）被误过滤，在输出中找不到
原因： 图纸中该构件标注与截面尺寸分在了两行，脚本单独识别 KL3 未能命中带截面尺寸的正则，若同时触发了噪声规则（如极短文本）则被误删。
解决： 在 CATEGORY_RULES 的构件标识 patterns 中补充仅含前缀+编号的宽松匹配：r'^(KL|KZ|LB)\d+'，或降低噪声规则中单字符过滤的严格程度。
问题：去噪率只有 20%，输出仍然很庞杂
原因： 图纸中包含大量设计说明正文（长段文字），这些内容不触发噪声规则，会全部保留在 [设计总说明] 或 [其他] 中。
解决： 这属于正常情况，长段文字本身对清单有参考价值。可将 [其他] 中内容交给大模型做一轮摘要压缩，再送入 boq-generator。
问题：同一构件标注出现多次（如图纸有多张平面图）
原因： 脚本的去重是全局字符串精确匹配，如果同一构件在不同楼层有相同编号但不同截面，会被误判为重复而只保留一条。
解决： 先用 dxf-text-extractor 的 [图纸信息] 分类确认楼层边界，或在运行清洗前按图纸拆分输入文件。