law-to-markdown

Law To Markdown

处理规则

1. 输入为 .txt：直接转存为 .md。
2. 输入为 .pdf / .docx：
   • 先检查是否已安装 mineru-ocr skill。
   • 未安装：提示先安装 mineru-ocr，安装地址： https://github.com/cat-xierluo/legal-skills/tree/main/skills/mineru-ocr
   • 已安装：优先调用 mineru-ocr 处理。
   • 调用失败：先提示检查 mineru-ocr 配置/Token。
   • 仅当用户明确同意时，才使用本地回退（python-docx / pdfplumber）。
3. 第一阶段完成后默认执行第二阶段格式调整（仅格式，不改原文字符）：
   • 由调用该 skill 的大模型先判断“法律/非法律”，并把结果传给脚本。
   • 若调用方未传结果，则脚本使用硬规则自动识别（--law-decision auto）。
   • 法律名称 #
   • 编/分编 ##
   • 章 ###
   • 节 ####
   • 条 #####（仅“第X条”为标题；第X条【条标】整行为标题不拆）
   • 款/项/目无标题
   • 项、目按标记换行
   • 清理多余空格：去行尾空格、去行首 ASCII 空格、去正文行首全角缩进、规范标题后的空格
4. 若识别为明显非法律文本（如 GB/标准类文档），第二阶段明确拒绝：Stage2: rejected (non-law-document)。
5. 若第二阶段未识别法律结构或保真校验失败，则自动 no-op，不改文本。
6. 默认执行第三阶段检查（双子阶段，硬门槛）：
   • Stage3-A：校验 stage2 相对 stage1 的文字内容准确性（去标题符号与空白后字符流必须一致）
   • Stage3-B：校验结构效果（结构层级、条标题规则、非法律策略、空格规范、项/目换行）
   • 任一失败触发自动重走，最多 2 次；仍失败默认报错退出

二阶段识别参数

• --law-decision law：调用方已判定为法律文本，直接按法律结构优化。
• --law-decision non-law：调用方已判定为非法律文本，阶段二直接拒绝。
• --law-decision auto：不传判定时的默认模式，使用脚本内硬规则。

三阶段参数

• --skip-stage3-check：跳过第三阶段检查（默认不跳过）。
• --stage3-max-retries：失败后自动重走次数，默认 2。
• --stage3-strict / --no-stage3-strict：
  • 默认严格模式（失败即报错退出）
  • 非严格模式仅输出报告，不阻断流程
• --artifact-level minimal|standard|debug：
  • minimal（默认）：面向交付，输出最少
  • standard：保留过程文件（stage1/stage2/stage3-check）便于排查
  • debug：保留全部过程产物（包含调试信息）

输出规则

• 默认输出到输入文件同目录的 markdown/ 子目录，并按输入文件名创建独立目录：
  • markdown/<文件名>/
• 默认（--artifact-level minimal）输出：
  • <原文件名>+审核报告.md（详细过程和结论）
  • <原文件名>+最终成果.md（仅法律文本且审核通过时生成）
• 非法律文档（如 GB/标准类）：
  • 结论为“拒绝处理”
  • 仅输出 <原文件名>+审核报告.md
  • 不输出 <原文件名>+最终成果.md
• 审核未通过时会自动保留过程文件用于排查：
  • <文件名>.stage1.md
  • <文件名>.stage2.md
  • <文件名>.stage3-check.md
• 若需更多产物可切换：
  • --artifact-level standard：保留 stage1/stage2/stage3-check
  • --artifact-level debug：保留全部调试产物
• 可通过命令参数指定 --out 或 --out-dir。

常用命令

python3 law-to-markdown/scripts/law_to_markdown.py "input.txt"
python3 law-to-markdown/scripts/law_to_markdown.py "input.docx"
python3 law-to-markdown/scripts/law_to_markdown.py "input.pdf"