feat(validate): scoring orientato a chunking/vettorizzazione, flag --detail

- _score() ritorna (int, list[str]) con dettaglio penalità applicate
- Rimossi criteri non pertinenti al chunking: sezioni_corte, sezioni_lunghe,
  mediana, p25 — il chunker le normalizza già in fase di suddivisione
- Aggiunte penalità per residui che impattano i vettori: br_inline,
  simboli_encoding, formule_inline
- Flag --detail / -d per mostrare breakdown penalità per documento
- Colonne tabella aggiornate: btk, br, enc, url, med
This commit is contained in:
2026-04-17 09:20:15 +02:00
parent ea721774da
commit 875a342efa
+78 -37
View File
@@ -15,6 +15,7 @@ Uso:
python conversione/validate.py # tutti gli stem
python conversione/validate.py analisi1 # stem specifico
python conversione/validate.py a b c # stem multipli
python conversione/validate.py --detail analisi1 # mostra dettaglio penalità
"""
import argparse
@@ -28,45 +29,72 @@ from pathlib import Path
_GRADES = [(90, "A"), (75, "B"), (60, "C"), (40, "D"), (0, "F")]
def _score(r: dict) -> int:
def _score(r: dict) -> tuple[int, list[str]]:
"""
Calcola un punteggio 0-100 sulla qualità del Markdown prodotto.
Calcola un punteggio 0-100 sulla qualità del clean.md ai fini della
suddivisione in chunk e vettorizzazione.
Restituisce (score, lista_penalità_applicate).
Penalità:
struttura assente / piatta40 / 15
backtick residui → 2/cad (max 30)
URL / watermark → 5/cad (max 15)
immagini residue → 5/cad (max 10)
dot-leader residui5/cad (max 10)
bare headers3/cad (max 15)
sezioni >1500ch >35/60%5 / 10
Penalità struttura (il chunker non può operare senza header):
struttura assente (livello 0) 40
struttura piatta (livello 1) → 15
Penalità residui (finiscono nei vettori e degradano il retrieval):
backtick 2/cad (max 20)
dot-leader 5/cad (max 10)
URL / watermark → 5/cad (max 15)
immagini residue → 5/cad (max 10)
<br> inline (artefatti tabelle) → 2/cad (max 15)
simboli encoding (!/" residui) → 1/cad (max 10)
formule inline [N.M] → 1/cad (max 8)
Penalità anomalie:
bare headers → 3/cad (max 15)
Non penalizzate (il chunker le normalizza):
sezioni corte, sezioni lunghe, mediana, p25
"""
score = 100
score = 100
detail = []
structure = r.get("structure", {})
anomalie = r.get("anomalie", {})
residui = r.get("residui", {})
livello = structure.get("livello_struttura", 0)
n_h3 = max(structure.get("n_h3", 0), 1)
# ── Struttura ─────────────────────────────────────────────────────────
if livello == 0:
score -= 40
detail.append("struttura assente 40")
elif livello == 1:
score -= 15
detail.append("struttura piatta 15")
score -= min(30, residui.get("backtick", 0) * 2)
score -= min(15, residui.get("url", 0) * 5)
score -= min(10, residui.get("immagini", 0) * 5)
score -= min(10, residui.get("dotleader", 0) * 5)
score -= min(15, anomalie.get("bare_headers", 0) * 3)
# ── Residui ───────────────────────────────────────────────────────────
def _pen(key: str, per_item: int, cap: int, label: str) -> None:
n = residui.get(key, 0)
if n:
p = min(cap, n * per_item)
nonlocal score
score -= p
detail.append(f"{label} ×{n} {p}")
long_ratio = anomalie.get("long_sections", 0) / n_h3
if long_ratio > 0.60:
score -= 10
elif long_ratio > 0.35:
score -= 5
_pen("backtick", 2, 20, "backtick")
_pen("dotleader", 5, 10, "dot-leader")
_pen("url", 5, 15, "url")
_pen("immagini", 5, 10, "immagini")
_pen("br_inline", 2, 15, "<br> inline")
_pen("simboli_encoding", 1, 10, "simboli encoding")
_pen("formule_inline", 1, 8, "formule inline")
return max(0, score)
# ── Anomalie ──────────────────────────────────────────────────────────
n_bare = anomalie.get("bare_headers", 0)
if n_bare:
p = min(15, n_bare * 3)
score -= p
detail.append(f"bare headers ×{n_bare} {p}")
return max(0, score), detail
def _grade(score: int) -> str:
@@ -75,7 +103,7 @@ def _grade(score: int) -> str:
# ─── Validazione ─────────────────────────────────────────────────────────────
def validate(stems: list[str], project_root: Path) -> None:
def validate(stems: list[str], project_root: Path, detail: bool = False) -> None:
conv_dir = project_root / "conversione"
paths = (
@@ -99,9 +127,10 @@ def validate(stems: list[str], project_root: Path) -> None:
header = (
f"{'stem':<{col}}"
f"{'h2':>4}{'h3':>5} "
f"{'strategia':<20}"
f"{'strategia':<18}"
f"{'bare':>5}{'corte':>6}{'lunghe':>7}"
f"{'backtick':>9}{'dotlead':>8}{'url':>4}"
f"{'btk':>5}{'br':>4}{'enc':>4}{'url':>4}"
f"{'med':>6}"
f" {'voto':>4} grade"
)
sep = "" * len(header)
@@ -115,26 +144,33 @@ def validate(stems: list[str], project_root: Path) -> None:
print(f"{r['stem']:<{col}} (report.json non trovato)")
continue
st = r.get("structure", {})
an = r.get("anomalie", {})
res = r.get("residui", {})
s = _score(r)
st = r.get("structure", {})
an = r.get("anomalie", {})
res = r.get("residui", {})
dist = r.get("distribution", {})
s, pen = _score(r)
scores.append(s)
print(
f"{r['stem']:<{col}}"
f"{st.get('n_h2', 0):>4}"
f"{st.get('n_h3', 0):>5} "
f"{st.get('strategia_chunking','?'):<20}"
f"{st.get('strategia_chunking','?'):<18}"
f"{an.get('bare_headers', 0):>5}"
f"{an.get('short_sections', 0):>6}"
f"{an.get('long_sections', 0):>7}"
f"{res.get('backtick', 0):>9}"
f"{res.get('dotleader', 0):>8}"
f"{res.get('url', 0):>4}"
f"{res.get('backtick', 0):>5}"
f"{res.get('br_inline', 0):>4}"
f"{res.get('simboli_encoding', 0):>4}"
f"{res.get('url', 0):>4}"
f"{dist.get('mediana', 0):>6}"
f" {s:>4} {_grade(s)}"
)
if detail and pen:
for p in pen:
print(f" {'':>{col}}{p}")
# ── Riepilogo ─────────────────────────────────────────────────────────
print(sep)
if scores:
@@ -145,8 +181,8 @@ def validate(stems: list[str], project_root: Path) -> None:
f"(A≥90 B≥75 C≥60 D≥40 F<40)"
)
print(
"\nPenalità: struttura assente 40, backtick 2/cad, "
"bare headers 3/cad, sezioni >1500ch >35% 5\n"
"\nColonne: bare=header vuoti corte=sez<150ch lunghe=sez>1500ch "
"btk=backtick br=<br>inline enc=simboli encoding med=mediana chars\n"
)
@@ -163,5 +199,10 @@ if __name__ == "__main__":
metavar="STEM",
help="stem da validare (es: analisi1). Ometti per tutti.",
)
parser.add_argument(
"--detail", "-d",
action="store_true",
help="mostra dettaglio penalità per ogni documento",
)
args = parser.parse_args()
validate(args.stems, Path(__file__).parent.parent)
validate(args.stems, Path(__file__).parent.parent, detail=args.detail)