一次标点清洗,把 3.14 变成 3. 14

句号在成为小数点之前,只是个标点。1,204 里那个逗号、日期戳里的连字符、查询字符串开头那个问号,都是一样的道理。标点符号规范化器的用途是让引号、逗号和括号在整份语料里保持一致,这件事它做得不错。但它还带了个默认开着的开关,标签写着「Normalize Spaces」,我实测了这个开关的效果:3.14159 传进去,出来变成 3. 14159。 这个发现最扎痛的是把规范化当成安全前置步骤的人。对散文而言,这确实成立;对标识符不成立,而真实文本里两者往往同时存在。 同一个字形,在散文里和在数据里各有各的职责 句号在句子里当之无愧。在 3.14159 里它是小数点,在 example.com 里它分隔域名标签,在 v2.5.1 里它承担版本结构,它还能分隔…

31 条发现,5 个真问题,外加一个全大写的标题

基于规则的术语审计并不读你的文档。它拿一份固定规则逐行比对,行数有多少,报告就有多吵。我让术语表一致性审计器(Terminology & Glossary Consistency Auditor)跑过二十行开发者文档,术语表三条,禁用词两个,回来 31 条发现。其中 5 条说的问题确实值得改,3 条指向一个全大写的小节标题,还有 3 条把某个术语的正确拼法判成了它自己的违规。 这个比例说不上是缺陷报告。它是一类检查器的代价:每条判定,你都能向要去改稿的作者解释清楚。 下面这些数字都是我把工具的本地引擎移植成 Python、在同一份输入上跑出来的,所以计数来自规则代码本身,不是读摘要栏读出来的。…