RAG-CUT/IMPACT_ANALYSIS.md

Impact Analysis Report — 目录不解析、不切片

1. 改动概览

• 背景与目标：所有文件跳过文档目录（目录 / Contents / TOC），不进入解析结果与切片。
• 涉及模块：noise_filter.py、pipeline.py、pdf_semantic.py、mineru_adapter.py、相关测试、README.md
• 改动类型：功能策略 / 缺陷修复（噪声过滤增强）

2. 方法级改动分析

位置	差异
is_toc_title_text / is_toc_entry_line / is_toc_noise_text	统一识别目录标题与带页码/引导线条目
filter_toc_blocks	删除目录页/目录区；保留无页码的正文内清单（如形態指標）
filter_noise_blocks	串联 TOC 过滤
pipeline.chunk_document	全格式解析后强制 filter_toc_blocks
MinerU _SKIP_MINERU_TYPES	增加 toc / contents 等类型

3. 调用方与影响范围

• PDF/Office（MinerU / PyMuPDF）及 md/txt 等所有走 chunk_document 的格式
• 破坏性变更：否（目录内容不再出现在切片中，属预期）

4. 风险与回滚

• 风险级别：低～中（极少数非目录但带引导线+页码的行可能被误删）
• 回滚方式是否简单：是

5. 验证与测试

• 新增/更新噪声与语义切分单测；请对含目录的样本重新切分确认