2026年7月南阳市新房价格深度分析报告
2026/8/31 6:31:28
知识库数据清洗后，怎么知道洗得干不干净？一套三层质量门禁实测
知识库数据清洗 · 独立篇 | 基于 doc-cleaner v1.9.0 实测（2026-08-28）
📖 摘要：文档清洗完就能建库？不行——「看着干净」和「真的干净」是两回事。本文拆解我们清洗管线的质量门禁：四项 25 分制健康度评分 + 四层验证（格式/内容/结构/下游）+ 污染注入回归，用实测数据说明「评分 99 分为什么还会翻车」「清除率 94% 误伤 0 是怎么测出来的」，以及 H3C 337 份手册空段率 0.01% 背后的门禁逻辑。
导读
- 目标读者：做 RAG 知识库、被「清洗到什么程度算合格」困扰的开发者
- 版本与环境：doc-cleaner v1.9.0（清洗管线）、Dify 1.16.x（下游建库）、H3C 手册项目实测数据
- 你会得到：门禁三层结构（评分闸/验证闸/回归闸）、每层的具体做法与实测阈值、三个翻车教训
一、业务场景：清洗完，然后呢？
客户丢来 337 份 H3C 手册（PDF/CHM/XLSX/HTML 混杂），我们有一套清洗管线：转换 → 去噪 → 去重 → 脱敏 → 分节。管线跑完，输出一堆.cleaned.md——这时候问题来了：
这批文档能建库了吗？
外行会说「看着挺干净」。但我们交付的不是给人看的文档，是给向量检索吃的语料——「看着干净」的文档，可能藏着三类杀手：格式残破（空段、碎表格）、内容丢失（图表截断、行错位）、敏感残留（手机号、身份证）。它们不会让页面变难看，但会让检索静默劣化、甚至泄露隐私。
于是我们建了一套质量门禁：清洗后的文档，过不了门禁就不许进库。
二、场景痛点：三个认知误区
做门禁之前，我们反复踩过三个坑：
- 评分高 ≠ 洗得好。有一次清洗输出健康度评分 99 分（近乎满分），结果人工抽检发现表格列错位——6 列压成 4 列，数据全错位了。评分只测「格式规不规范」，测不出「内容对不对」。
- 清洗是一次性的。后来我们改了清洗规则（比如新增手机号脱敏正则），旧的清洗结果没重跑——新规则根本没生效，一批库带着未脱敏的手机号进了生产。
- 清洗只影响格式。以为清洗是「美观工程」，实际上清洗质量直接传导到检索——脏段抢占候选名额、空段稀释分数，最终回答质量全看清洗这层地基。
门禁不是「加一道检查」，是把这三个误区变成三道闸。
三、解决方案：三层质量门禁
三道闸各管一件事：
| 闸 | 管什么 | 工具 |
|---|---|---|
| 评分闸 | 格式层：结构是否可解析、有没有异常膨胀/重复/脱敏残留 | 自动评分（四项 25 分制 + 守恒双指标） |
| 验证闸 | 内容层 + 结构层：该留的没丢、图文完整 | 指纹抽检 + 自包含检查 + 人工抽检 |
| 回归闸 | 规则变更后：清洗规则改了，效果是否保持 | 污染注入回归 |
四、模块设计：每道闸怎么落地
4.1 评分闸：四项 25 分制 + 守恒双指标
健康度评分 0-100，四项各 25 分：
| 维度 | 满分 | 测什么 | 扣分条件 |
|---|---|---|---|
| 完整性 | 25 | 内容没被洗没 | 字符数异常膨胀/坍缩（<30% 或 >150%） |
| 格式合规 | 25 | Markdown 结构有效、表格完整 | 表格空/NaN 单元格密度 >30% 扣 10 分 |
| 重复率 | 25 | 没把内容洗重 | 重复段落占比 ≥5% |
| 脱敏覆盖率 | 25 | 敏感字段处理干净 | 高置信敏感字段有残留 |
光靠四项还不够——v1.9.0 加了守恒双指标：字符守恒（30%-150% 阈值）+ 行数守恒（去重行占比 >50% 告警、清洗后行数 <30% 告警）。为什么？之前的教训：单看字符比率太宽，轻微错位检测不到——行数守恒能抓住「整块内容被误删」这类结构性损伤。
评分只是第一道闸，它回答「格式规不规范」，不回答「内容对不对」。
4.2 验证闸：四层验证 L0-L3
评分闸之后是内容验证，四层递进：
| 层 | 验证什么 | 方法 | 阈值 |
|---|---|---|---|
| L0 格式层 | 语法/结构可解析 | 自动评分 + 表格结构检测 + 守恒双指标 | ≥80 分 |
| L1 内容层 | 该留的没丢 | 指纹抽检（源 vs 清洗后子串匹配） | ≥80% 匹配 |
| L2 结构层 | 章节/图文完整 | 自包含检查 + 图引用完整性 + 人工抽检（每批 10-20 图 + 5-10 表） | 抽检无截断 |
| L3 下游层 | 建库后好不好用 | RAG 体检（检索召回质量） | 库内问题 top-3 命中 |
L1 指纹抽检是我们最常用的内容层手段：把源文档和清洗后文档做子串匹配，看该留的内容留下多少——阈值 80%，低于说明清洗「洗过头」了。
L2 图表防截断是 H3C 项目的专项：PDF 渲染区域提取图时，边界判定不准会把「OSPF 邻居 Down 诊断流程图」只提取 1/4 高度。我们做了三层检测：同系列图高宽比分布对比（偏离中位数 50% = 截断嫌疑）、非白像素占比验证（内容行 <5% = 空白错误区域）、表格行数对比（md vs 源缺行 = 截断）。
4.3 回归闸：污染注入回归
清洗规则改一次，就得证明「改完还是干净的」——这就是污染注入回归：
污染注入（乱码/重复/噪声/手机号/邮箱） → 跑清洗管线 → 计算清除率%（被清除的污染 / 注入的污染） → 计算误伤率（原文指纹行保留率）- 合格线：清除率 ≥90%
- 实测：跟老齐学 Python 文档——乱码 94%、其余类型 100%、误伤 0
- 误伤检查是灵魂：光看清除率，可能把正常内容也洗掉了——必须同时验证「原文指纹行保留率」，清除率 100% + 误伤 100% 等于把文档洗成白纸
五、运行验证：H3C 项目实测
337 份手册过门禁的实测数据：
| 指标 | 值 |
|---|---|
| 清洗后空段率 | 0.01%（4277 页手册） |
| 表格结构抽检 | 无截断（图表防截断三层检测） |
| 提示框识别 | 配置指导 18.5%、故障手册 6.4%（无「图 N-N」标题的图标图，清洗时删引用不入 manifest） |
| 污染注入回归 | 清除率 ≥94%、误伤 0 |
| 建库后检索 | RAG 体检通过、库内问题 top-3 命中 |
六、实战坑（都是真踩出来的）
| 坑 | 现象 | 修复 |
|---|---|---|
| 评分 99 却列错位 | 表格 6 列压成 4 列、数据错位，评分全绿 | 评分测格式测不出内容——加 L1 指纹抽检 + 人工抽检表格 |
| 清洗规则改了旧结果没重跑 | 新脱敏正则未生效，敏感信息进库 | 规则变更后必跑污染注入回归 + 重跑受影响批次 |
| 短行一刀切误伤 | 按长度删「短行」把有效内容删了 | 不按长度一刀切——只删纯符号/乱码/页眉页脚特征行 |
| 图表截断肉眼发现不了 | 流程图只提取 1/4，尺寸正常但内容残缺 | 系列内高宽比对比 + 非白像素占比 + 内容回环验证 |
| 手机号残留统计误计 | 代码块长数字串被当手机号计为「未脱敏」 | 正则 lookaround 精确匹配，不裸 findall |
七、启示
门禁的本质是把「看起来干净」变成「可证明的干净」：评分闸证明格式、验证闸证明内容、回归闸证明规则——三道闸合起来回答「这批文档能不能建库」，而不是「这批文档干不干净」。
对我们来说，门禁最大的价值不是挡下了多少脏文档，而是让清洗变成可审计的过程：每次清洗都有评分、有指纹、有回归记录，出了问题能追到是哪道闸放行的。交付客户时，「空段率 0.01%、污染清除率 94%+」这些数字，比「我们洗得很认真」有说服力得多。
清洗质量 = 信息保持 + 噪声去除，两个都要量化，缺一不可。
💬 你建知识库前怎么验证清洗质量？有没有「评分全绿但检索稀碎」的经历？评论区聊聊。
本文基于 doc-cleaner v1.9.0 实测，配置命令在不同版本间可能变化，使用前请确认版本。AI 参与创作声明：本文由 AI 辅助写作，内容基于作者真实实测记录。