Punctuation Normalizer 文本标点规范化 Skill

功能概述

文本标点规范化工具，读取结构化或半结构化文本文件，合并重复标点、统一标点与引号样式、清理标点周围空格并保留省略号。 适用于科研文本中标点混乱、连续符号过多、引号样式不统一的标点规整场景。

触发条件

当用户请求以下任务时，应使用此skill：

• 标点规范化
• 标点清理
• 合并重复标点
• 统一中英文标点
• 引号或省略号规整

核心参数说明

必需参数

• --input：输入文件路径。
• --output：输出文件路径。

可选参数

• --merge_repeated：是否合并重复标点，默认 true。
• --max_repeat：允许的最大重复次数，默认 1。
• --normalize_width：全半角规范化模式，默认 auto。
• --normalize_quotes：是否规范化引号，默认 true。
• --quote_style：引号风格，默认 chinese。
• --normalize_ellipsis：是否规范化省略号，默认 true。
• --remove_space_around_punct：是否移除标点周围的多余空格，默认 true。
• --text_field：JSON/JSONL 输入时的文本字段名，默认 text。

输入文件格式

• csv：处理文本列并保持表头与其他列不变。
• json / jsonl：处理指定文本字段。
• txt / md：按单文本内容处理。

使用方法

python scripts/run_punctuation_normalizer.py --input input.csv --output output.csv

python scripts/run_punctuation_normalizer.py --input input.jsonl --output output.jsonl --quote_style english

处理示例

• Wait!!! Really??? → Wait! Really?
• 中文！！！真的吗？？？？好的。。 → 中文!真的吗?好的……
• “Smart quotes” and ‘single quotes’ → “Smart quotes” and ‘single quotes’
• Ellipsis...... → Ellipsis……
• Extra spaces before text → Extra spaces before text

输出示例

[OK] Punctuation normalization completed!
   Total samples: 10
   Modified samples: 6 (60.0%)
   Unchanged samples: 4 (40.0%)
   Modifications:
     - Merged repeated punctuation: 3
     - Normalized width: 2
     - Normalized quotes: 0
     - Normalized ellipsis: 2
     - Removed extra spaces: 1

环境要求

• Python 3.10+
• 仅依赖标准库

注意事项

1. auto 模式按中英文字符比例选择半角归一策略。
2. 省略号统一保留为 ……。
3. 不处理 HTML、表情、数字或拼写问题。
4. 输出会保留原始行列结构和未修改字段。