toc-section-parsing

目录与章节结构解析 Skill

数据来源

本 Skill 支持多种长文档输入格式，核心数据来源包括：

1. 文档类型

• 报告文档：年度报告、研究报告、分析报告
• 书籍文档：书籍、手册、指南
• 法律文档：法律条文、法规文件、合同文档
• 技术文档：技术规范、技术文档、用户手册

2. 文档格式

• PDF格式：PDF格式的长文档
• Word格式：Word格式的长文档
• HTML格式：网页格式的长文档
• Markdown格式：Markdown格式的长文档

3. 文档特征

• 文档长度：长文档（>50页）、超长文档（>200页）
• 章节结构：多级章节、复杂层级结构
• 目录格式：标准目录、自定义目录格式
• 文档语言：中文、英文、多语言混合

4. 数据格式要求

• 文件路径：本地文件路径或网络文件URL
• 文件编码：UTF-8、GBK、GB2312等
• 文件权限：需要读取权限

说明：本 Skill 不包含文档采集功能，需要用户提供长文档文件。建议文档格式规范，以便进行准确的目录和章节结构解析。

---

功能

本 Skill 提供全面的目录与章节结构解析能力，涵盖多种解析功能：

1. 目录识别

• 目录定位：定位文档中的目录位置
• 目录结构识别：识别目录的层级结构
• 目录项提取：提取目录项和页码信息
• 目录格式识别：识别目录的格式和样式

2. 章节识别

• 章节标题识别：识别文档中的章节标题
• 章节层级识别：识别章节的层级结构
• 章节编号识别：识别章节的编号规则
• 章节位置定位：定位章节在文档中的位置

3. 章节树构建

• 章节树生成：生成完整的章节树结构
• 章节关系识别：识别章节之间的父子关系
• 章节层级标注：标注章节的层级级别
• 章节路径生成：生成章节的完整路径

4. 章节内容提取

• 章节内容提取：提取章节的具体内容
• 章节边界识别：识别章节的起始和结束位置
• 章节摘要生成：生成章节的摘要
• 章节关键词提取：提取章节的关键词

5. 章节导航

• 章节导航生成：生成章节导航结构
• 章节跳转链接：生成章节跳转链接
• 章节索引构建：构建章节索引
• 章节搜索支持：支持章节搜索功能

6. 高级处理功能

• 目录验证：验证目录的准确性
• 章节完整性检查：检查章节的完整性
• 章节结构标准化：标准化章节结构
• 章节报告生成：生成章节结构报告

---

使用示例

输出示例

{
  "source_info": {
    "document_id": "DOC001",
    "document_type": "annual_report",
    "source_file": "annual_report.pdf",
    "page_count": 200
  },
  "table_of_contents": {
    "toc_location": {
      "start_page": 3,
      "end_page": 10
    },
    "toc_items": [
      {
        "level": 1,
        "title": "第一章 公司概况",
        "page": 15,
        "section_id": "SEC001"
      },
      {
        "level": 2,
        "title": "1.1 公司基本信息",
        "page": 15,
        "section_id": "SEC002"
      },
      {
        "level": 1,
        "title": "第二章 财务数据",
        "page": 50,
        "section_id": "SEC003"
      }
    ]
  },
  "section_tree": {
    "root": {
      "section_id": "ROOT",
      "title": "文档根节点",
      "level": 0,
      "children": [
        {
          "section_id": "SEC001",
          "title": "第一章 公司概况",
          "level": 1,
          "page": 15,
          "path": ["第一章 公司概况"],
          "children": [
            {
              "section_id": "SEC002",
              "title": "1.1 公司基本信息",
              "level": 2,
              "page": 15,
              "path": ["第一章 公司概况", "1.1 公司基本信息"],
              "children": []
            }
          ]
        },
        {
          "section_id": "SEC003",
          "title": "第二章 财务数据",
          "level": 1,
          "page": 50,
          "path": ["第二章 财务数据"],
          "children": []
        }
      ]
    }
  },
  "sections": [
    {
      "section_id": "SEC001",
      "title": "第一章 公司概况",
      "level": 1,
      "start_page": 15,
      "end_page": 49,
      "content_preview": "公司概况内容...",
      "keywords": ["公司", "概况", "基本信息"]
    }
  ],
  "statistics": {
    "total_sections": 20,
    "max_level": 3,
    "average_section_length": 10,
    "parsing_confidence": 0.94
  }
}

---

注意事项与限制

1. 文档格式要求

• 标准格式文档解析准确率较高
• 非标准格式可能影响解析
• 扫描版文档需要OCR支持

2. 目录识别准确性

• 标准目录格式识别准确率较高
• 非标准目录可能需要人工处理
• 复杂目录可能需要人工分析

3. 章节识别准确性

• 标准章节格式识别准确率较高
• 非标准章节可能需要人工处理
• 复杂章节结构可能需要人工分析

4. 章节层级

• 标准层级结构识别准确率较高
• 非标准层级可能需要人工处理
• 深层嵌套可能需要特殊处理

5. 使用限制

• 本 Skill 不包含文档编辑功能
• 解析结果需要人工复核
• 复杂文档可能需要人工处理

---

参考资料

• 见 references/ 目录中的相关文档，包括：
  • 目录与章节结构解析方法手册
  • 章节识别算法说明
  • 章节树构建指南
  • 性能优化指南