Drawing Cleaner

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：

text

> 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。

---