Drawing Cleaner

SKILL.md

---
name: drawing-cleaner
version: 1.0.0
description: 对 输出的原始图纸文本进行清洗去噪与结构化分类，过滤轴线编号、图框信息、尺寸数字等无效噪声，将有效信息按"设计总说明/构件标识/配筋信息/材料强度"等类别归并输出。当用户说"清洗图纸文本"、"去掉噪声"、"整理提取结果"触发使用。
---

# 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：

```bash
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：
1. **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
2. **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
3. **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）
4. **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**

```bash
# 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。

---