史记索隐——服饰提取日志

书名：史记索隐
处理时间：2026-05-23 04:45
输入文件：/home/z/my-project/upload/zhengshi/正史/史记索隐.txt
输出目录：/home/z/my-project/upload/正史重制output/史记索隐/

一、文件基本信息

二、关键词词库与命中统计

2.1 冠冕头饰类

2.2 衣裳袍服类

2.3 制度服制类

2.4 色彩类

2.5 佩饰类

2.6 织物类

三、提取流程

步骤1：文件统计

wc -l 史记索隐.txt  # 结果：910行

步骤2：关键词计数

对服饰关键词词库中所有关键词逐一grep -c统计，筛选出命中数>0的关键词共38个。

步骤3：行号提取

使用Python re模块对所有关键词进行多模式匹配，提取命中行号及匹配关键词。

步骤4：上下文提取

基于【】标记分割条目，提取含关键词的子条目及其上下文。对单字符关键词（色彩类）施加严格上下文过滤，要求条目中至少包含2个服饰相关指示词。

步骤5：分类与去重

按冠冕头饰、衣裳袍服、制度舆服、佩饰带绶、织物帛品五大类分类，按条目前80字符去重。

步骤6：撰写产出文件

• 史记索隐_总结.md：服饰内容综述
• 史记索隐_日志.md：提取过程记录
• 史记索隐_原文提取.md：分类原文摘录

四、提取质量说明

4.1 噪声处理

• 色彩类关键词（黄/白/黑/青/朱等）在本书中大量出现于非服饰语境（如黄钟为律名、黄帝为人名、白起为人名、青衣为县名等），已通过上下文过滤大幅降噪
• "冠"字在"冠军侯"等封号中出现频繁，已识别为非服饰用例但保留部分条目以备参考
• "带"字出现于人名（叔带、公玉带）、地名（带水）等，已尽量区分

4.2 遗漏风险

• 部分服饰内容可能因关键词未覆盖而遗漏
• 单字符关键词的上下文过滤可能过于严格，导致少量服饰条目被排除
• 本书行距极长（最长4797字符），子条目分割可能存在偏差

4.3 最终统计

• 原始匹配行数：149行
• 经上下文过滤后有效条目：181条
• 去重后最终条目：181条

五、产出文件清单