初始归档：健康管理资料库（大医网/药膳/体质监测/中医理论等12个资料集，7712个文件）

神农本草经/05_脚本工具/01_merge_sunben.py

@@ -0,0 +1,90 @@
+#!/usr/bin/env python3
+# -*- coding: utf-8 -*-
+"""01_merge_sunben.py — 《神农本草经·清·孙星衍》(殆知阁本) 合并整理版生成
+规则（2026-09-22 用户指令）：
+  1. 重复出现的「卷一/二/三　上/中/下经」卷标行只保留一次（同卷连续出现的合并）；
+  2. 药物条目块（药名单行＋味…＋吴普/名医/案）合并为组织化结构，药名转为 ####；
+  3. 原件正文一字不改，仅做结构性合并（去重卷标、条目并块、空行规整）；
+  4. 幂等可重跑；输出至 校核参考/殆知阁-孙星衍辑本/神农本草经_孙星衍辑本_合并整理版.md
+"""
+import re, sys, json, hashlib, os
+
+BASE = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))  # 01_来源数据/..
+SRC = os.path.join(BASE, '01_来源数据', '校核参考', '殆知阁-孙星衍辑本',
+                    '神农本草经_孙星衍辑本_原文快照_20260922.md')
+OUT = os.path.join(BASE, '01_来源数据', '校核参考', '殆知阁-孙星衍辑本',
+                    '神农本草经_孙星衍辑本_合并整理版.md')
+STAT = os.path.join(BASE, '01_来源数据', '校核参考', '殆知阁-孙星衍辑本',
+                    '合并整理版_结构.json')
+
+VOL_RE = re.compile(r'^卷([一二三四])\s*　?\s*([上中下])经$')
+
+def build(lines):
+    out, cur_vol, stat = [], None, {'卷标原始出现': 0, '卷标合并保留': 0, '药条': 0, '序录行': 0}
+    i, n = 0, len(lines)
+    # frontmatter 与前言按原样保留
+    buf = []
+    while i < n:
+        raw = lines[i]
+        s = raw.strip()
+        m = VOL_RE.match(s)
+        if m:
+            stat['卷标原始出现'] += 1
+            vol = f'## 卷{m.group(1)}　{m.group(2)}经'
+            # 判断此卷标行是否为重复标记：其前方上一非空行若同卷经 -> 跳过
+            prev_nonempty = next((l.strip() for l in reversed(buf) if l.strip()), '')
+            if prev_nonempty_still_diff(vol, buf):
+                pass
+            if cur_vol == vol:
+                i += 1
+                continue  # 重复卷标，合并
+            cur_vol = vol
+            buf.append('')
+            buf.append('---')
+            buf.append(vol)
+            buf.append('')
+            stat['卷标合并保留'] += 1
+            i += 1
+            continue
+        # 药名行：非空、短、无句号，且下一非空行以「味」或「KT」开头
+        if s and cur_vol and len(s) <= 12 and s not in ('（原注：上此五条，出《药对》中，义旨渊深，非俗所究。虽莫可遵用，而是主统之本，故亦载之。）',):
+            nxt = next((l.strip() for l in lines[i+1:] if l.strip()), '')
+            nxt_is_body = nxt.startswith('味') or nxt == 'KT'
+            if nxt_is_body and not s.endswith(('。',)) and not s.startswith('《'):
+                buf.append(f'#### {s}')
+                stat['药条'] += 1
+                i += 1
+                continue
+        buf.append(raw.rstrip())
+        i += 1
+    out = buf
+    return out, stat
+
+def prev_nonempty_still_diff(vol, buf):
+    return False
+
+def main():
+    src_text = open(SRC, encoding='utf-8').read()
+    lines = src_text.split('\n')
+    body, stat = build(lines)
+    text = '\n'.join(body)
+    # 空行规整：连续3+空行→1空行（结构性，不改文字）
+    text = re.sub(r'\n{4,}', '\n\n\n', text)
+    open(OUT, 'w', encoding='utf-8').write(text)
+    md5 = hashlib.md5(open(OUT, 'rb').read()).hexdigest()
+    stat['md5'] = md5
+    stat['bytes'] = os.path.getsize(OUT)
+    stat['行数'] = text.count('\n') + 1
+    # 药条按卷统计
+    sec, cnt = None, {'卷一　上经': 0, '卷二　中经': 0, '卷三　下经': 0}
+    for l in text.split('\n'):
+        s = l.strip()
+        m = VOL_RE.match(s) or (s.startswith('## ') and VOL_RE.match(s[3:]))
+        if m: sec = f'卷{m.group(1)}\u3000{m.group(2)}经'
+        elif s.startswith('#### ') and sec in cnt: cnt[sec] += 1
+    stat['药条_按卷'] = cnt
+    json.dump(stat, open(STAT, 'w', encoding='utf-8'), ensure_ascii=False, indent=1)
+    print(json.dumps(stat, ensure_ascii=False, indent=1))
+
+if __name__ == '__main__':
+    main()