锚点，是整个 related_paragraphs 的唯一 * 事实来源。旧生成器（cs6_para.csv 那条链路）在这里翻过车——缩写区间被跳过或 * 误解析成六位数废值——所以解析规则集中在这一个类里，导出器和检测器共用同一份， * 不允许各写一遍。 * * 形态实测（type='.ctl.' and style='#a#'，330267 行）： * pagemark 167647 / paraN 116921 / paraN_book 39998 / paraN-M 3611 * / 书名·章标记 1096 / paraN-M_book 989 / 链式 4 / 截断 1 */ class MarkerParser { /** 解析结果超过此值一律视为废值，拒绝输出。实测合法上界 3183。 */ public const CS_MAX = 5000; public const KIND_SINGLE = 'single'; // para4 public const KIND_INTERVAL = 'interval'; // para151-152 / para292-3 / para292-3-6 public const KIND_BOOK_TAG = 'book_tag'; // dn1 public const KIND_CHAPTER = 'chapter'; // dn1_9 / an5_1_1 —— 章标记或义注标记，同形歧义 public const KIND_PAGE = 'page'; // P1.0023 public const KIND_TRUNCATED = 'truncated'; // para179- public const KIND_UNKNOWN = 'unknown'; /** * @return array{ * kind: string, * cs: list, 解析出的 cs 值（已展开区间） * book_name: ?string, 标记自带的书名后缀 * number: ?int, chapter 形态的首级编号 * numbers: ?list, chapter 形态的完整编号路径（an5_1_1 → [1,1]） * repaired: ?string, 规则修补过的标记，须记 issue 复核 * raw: string, * error: ?string, 非空表示拒绝输出，调用方须记 issue * } */ public static function parse(string $word): array { $base = [ 'kind' => self::KIND_UNKNOWN, 'cs' => [], 'book_name' => null, 'number' => null, 'numbers' => null, 'repaired' => null, 'raw' => $word, 'error' => null, ]; // 页码/卷标 P/M/V/T/O × 0-5：本轮一律忽略（§6.7） if (preg_match('/^[A-Z][0-9]/', $word)) { return ['kind' => self::KIND_PAGE] + $base; } if (! str_starts_with($word, 'para')) { // 纯书名 dn1（书上下文事件）或 dn1_9（章标记 / 义注标记） // 章标记，可带多级编号路径：dn1_9 是一级，an5_1_1 是两级（实测 13 本 247 行， // 义注书 100-102 与 mūla 书 82-92 共用同一套编号，是跨文件章界对齐的抓手）。 if (preg_match('/^([a-z][a-z0-9]*)((?:_[0-9]+)+)$/', $word, $m)) { $numbers = array_values(array_map('intval', array_filter(explode('_', $m[2]), 'strlen'))); return [ 'kind' => self::KIND_CHAPTER, 'book_name' => $m[1], 'number' => $numbers[0], 'numbers' => $numbers, ] + $base; } if (preg_match('/^[a-z][a-z0-9]*$/', $word)) { return ['kind' => self::KIND_BOOK_TAG, 'book_name' => $word] + $base; } return $base; } $body = substr($word, 4); // 尾部 _book 后缀。区间与单值都可能带，如 para1008-9_sn5（实测 989 行）。 $bookName = null; if (preg_match('/^(.*?)_([a-z][a-z0-9_]*)$/', $body, $m)) { $body = $m[1]; $bookName = $m[2]; } if ($body === '' || ! preg_match('/^[0-9]/', $body)) { return ['error' => '标记主体不是数字'] + $base; } // para179- ：区间右端缺失，全库仅 book 11 para 1577 一处，留给人工。 if (str_ends_with($body, '-')) { return ['kind' => self::KIND_TRUNCATED, 'book_name' => $bookName, 'error' => '区间右端缺失'] + $base; } $parts = explode('-', $body); foreach ($parts as $part) { if (! preg_match('/^[0-9]+$/', $part)) { return ['error' => "区间片段非数字：$part"] + $base; } } if (count($parts) === 1) { $cs = (int) $parts[0]; if ($cs > self::CS_MAX) { return ['book_name' => $bookName, 'error' => "cs 超值域：$cs"] + $base; } return ['kind' => self::KIND_SINGLE, 'cs' => [$cs], 'book_name' => $bookName] + $base; } // 链式 para292-3-6：逐段以前一个完整值补齐，取首尾展开（实测仅 4 行）。 $start = (int) $parts[0]; $current = $start; for ($i = 1; $i < count($parts); $i++) { $current = self::completePrefix($current, $parts[$i]); if ($current === null) { return ['book_name' => $bookName, 'error' => "区间右端无法补齐：$body"] + $base; } } $end = $current; $repaired = null; if ($end < $start) { // 倒序区间是 VRI 源里的高位笔误，低位是对的：实测 para504-407 前邻 502-503 // 后邻 508（真值 504-507）、para706-608 前邻 703-705 后邻 709（真值 706-708）。 // 丢掉右端高位、只用低位重新补齐即可还原。全库仅 3 行，一律记 issue 人工复核。 $tail = end($parts); $end = self::repairReversedEnd($start, $tail); if ($end === null) { return ['book_name' => $bookName, 'error' => "区间倒序且无法修补：$body"] + $base; } $repaired = "倒序区间按低位补齐：$body → $start-$end"; } if ($end > self::CS_MAX || $start > self::CS_MAX) { return ['book_name' => $bookName, 'error' => "cs 超值域：$start-$end"] + $base; } if ($end - $start > 2000) { return ['book_name' => $bookName, 'error' => "区间过宽：$start-$end"] + $base; } return [ 'kind' => self::KIND_INTERVAL, 'cs' => range($start, $end), 'book_name' => $bookName, 'repaired' => $repaired, ] + $base; } /** * VRI 缩写区间语法：右端只写变化的低位，用左端补齐前缀。 * 292-3 → 293 （补 "29"） * 1008-9 → 1009 （补 "100"） * 15-8 → 18 （补 "1"） * 298-3 → 303 （补出来 293 < 298，进位加 10^1） * 右端位数不少于左端时不是缩写，原样返回。 */ public static function completePrefix(int $left, string $rightDigits): ?int { $leftDigits = (string) $left; $rightLen = strlen($rightDigits); if ($rightLen >= strlen($leftDigits)) { return (int) $rightDigits; } $prefix = substr($leftDigits, 0, strlen($leftDigits) - $rightLen); $completed = (int) ($prefix.$rightDigits); if ($completed <= $left) { // 低位回绕，向上进一位：298-3 的 3 指的是 303 不是 293。 $completed += 10 ** $rightLen; } return $completed > $left ? $completed : null; } /** * 倒序区间的还原：逐步丢弃右端高位，只保留低位再按前缀补齐，取第一个大于左端 * 且区间宽度合理的结果。 * 504-407 → 低两位 "07" 补成 507 * 706-608 → 低两位 "08" 补成 708 */ public static function repairReversedEnd(int $start, string $rightDigits): ?int { for ($keep = strlen($rightDigits) - 1; $keep >= 1; $keep--) { $candidate = self::completePrefix($start, substr($rightDigits, -$keep)); if ($candidate !== null && $candidate > $start && $candidate - $start <= 20) { return $candidate; } } return null; } }