feat: MIXED 完整段落解析（分割→每段最优解析）

2026-08-09 04:07:07 +08:00
parent 539945be67
commit 1e3f702477
3 changed files with 106 additions and 2 deletions
@@ -34,3 +34,4 @@
 | 2026-08-09 03:30 | 整体迭代 | 里程碑2 最终评审修正（must-fix x2）：① find_header_row 结果未传入 extract_table（恒 header_row=0，标题行置上的 sheet 会损坏表头）→ excel_parser.py 结构化路径改用 find_header_row(filled) 并 <0 回落 0；② cell_formatting 死代码（CellValue.formatting 恒 None，取消线/背景色到不了下游）→ extract_table 新增可选 formatting_map 参数，excel_parser 遍历 ws.iter_rows 构建 fmt_map 传入。tests/test_excel_parser.py 新增 2 用例（标题行表头定位、strikethrough 回填）；pytest 全量 41 passed | src/genesis/parsers/excel_parser.py, src/genesis/parsers/table_extractor.py, tests/test_excel_parser.py | deepseek-v4-flash-free |
 | 2026-08-09 03:59 | Agent 实现 | 里程碑2.5 Task9 实现：段落分割器 split_paragraphs（MIXED 完整段落解析第一步，纯函数）。新建 src/genesis/parsers/paragraph_splitter.py（_is_blank_row 行空白判定 + split_paragraphs(matrix)→list[(start,end)] 含端点 0-based，以全空行为界返回段落区间，空矩阵→[]）与 tests/test_paragraph_splitter.py（5 用例：空矩阵/单段落无空行/中间空行分割/尾部空行不产生多余段落/前导空行从首个非空行开始）；TDD 验证 RED（ModuleNotFoundError: No module named 'genesis.parsers.paragraph_splitter'）→ GREEN（5 passed）；pytest 全量 46 passed（41 baseline + 5 新增）；不依赖 openpyxl 与 data_models；提交 34ef28b | src/genesis/parsers/paragraph_splitter.py, tests/test_paragraph_splitter.py | deepseek-v4-flash-free |
 | 2026-08-09 04:20 | Agent 实现 | 里程碑2.5 Task10 实现：data_models 扩展 MixedParagraph/MixedSheet 段落容器，并新增 ExcelParseResult.mixed 字段（默认空列表）。TDD：先追加 3 个测试（字段存在性与默认行为）确认 RED（ImportError: cannot import name 'MixedParagraph'），再在 data_models.py 末尾追加两个 dataclass（顶部 from typing 加 Literal、dataclasses 加 field），excel_parser.py 更新导入并为 ExcelParseResult 加 mixed 字段，确认 GREEN（3 passed），全量 pytest 49 passed（46 baseline + 3）。未修改既有类与字段，仅追加。 | src/genesis/data_models.py, src/genesis/parsers/excel_parser.py, tests/test_excel_parser.py | deepseek-v4-flash-free |
+| 2026-08-09 04:06 | Agent 实现 | 里程碑2.5 Task11 实现：MIXED 完整段落装配（分割→逐段最优解析）。excel_parser.py 新增 MIXED 分支：整表先 forward_fill（合并单元格）再按段切片；对每段 classify_sheet，TABLE 段用 find_header_row(seg)（段内相对，<0 回落 0）并抽出段内子 map seg_fmt_map（物理行 pr→段内 pr-s，修复 formatting_map 坐标错位）传给 extract_table（header_row=header_row）；非表格段归 FREE_TEXT（防二次 MIXED 递归），走 extract_text_blocks + build_free_text_table 构造 kind="free_text"。MixedParagraph 段落追加到 MixedSheet 并进 result.mixed，表/自由文本表进 result.tables。原 else 分支保留为 TABLE 专用，既有 TABLE/FREE_TEXT 路径不变。TDD：先追加 2 测试（段落分割/碎片捕获、表格段不在物理行 0 时的取消线回填）确认 RED（result.mixed 空 + IndexError），再实现确认 GREEN（9 passed），全量 pytest 51 passed（49 baseline + 2）。提交见 git log | src/genesis/parsers/excel_parser.py, tests/test_excel_parser.py | deepseek-v4-flash-free |