六步把原始来源整理成可用结构

确认文件类型、编码和页数或结构，决定后续处理方式。

输入

原始来源文件，例如 PDF、DOCX、Markdown、TXT 或网页正文。

系统处理

• 识别文件类型
• 检测文本编码
• 读取页数或整体结构

输出

带类型、编码和结构信息的来源描述记录。

可能的质量警告

文件损坏、编码不明或页面结构异常时，标记来源风险并停止猜测。

从来源中提取正文、标题、表格和列表等原始内容单元。

输入

第一步确认过类型和结构的来源文件。

系统处理

• 提取正文文本
• 提取候选标题
• 提取表格与列表区域

输出

按出现顺序排列的原始内容单元序列。

可能的质量警告

对无法可靠提取的区域记录位置和原因，不伪造缺失内容。

恢复标题层级、段落关系和表格边界，重建文档骨架。

输入

第二步输出的原始内容单元序列。

系统处理

• 推断标题层级
• 合并被拆散的段落
• 确定表格边界

输出

带层级关系的章节树与段落、表格结构。

可能的质量警告

层级证据不足时保留原始顺序并给出结构置信提示，不强行归级。

清理页眉页脚、重复段落和异常空白，保留有效内容。

输入

第三步输出的结构化内容。

系统处理

• 识别并移除页眉页脚
• 折叠重复段落
• 规整异常空白

输出

去除噪声后的干净结构化内容。

可能的质量警告

疑似正文的重复内容不直接删除，标记后交由人工确认。

补齐来源名、页码、章节路径和处理时间等溯源信息。

输入

第四步输出的干净结构化内容。

系统处理

• 关联来源文件名
• 标注页码范围
• 生成章节路径
• 记录处理时间

输出

每个内容块都带来源线索的可溯源内容集。

可能的质量警告

页码或章节无法确定时记录为未知，不填入估计值。

生成 Markdown、JSON 和 chunks manifest，并汇总质量警告。

输入

第五步输出的可溯源内容集。

系统处理

• 渲染 Markdown 文稿
• 序列化结构化 JSON
• 生成 chunks manifest
• 汇总质量警告

输出

document.md、document.json、chunks.json 与质量警告清单。

可能的质量警告

存在未解决警告时在输出中显式保留，不默认视为通过。