🎯 规则优先 · 配置驱动
基于受控词表（Controlled Vocabulary）与分面分类（Faceted Classification），在 config.json 和 taxonomy/*.yaml 中定义规则与权重，无需改代码即可定制。
CleanBook智能书签清理与分类
规则 + ML + 可选 LLM · 默认离线可用 · Python 3.10+
Skip to content
🤖 ML 辅助 · 自动沉淀
高置信度样本自动沉淀为训练集，轻量 scikit-learn 模型渐进增强分类准确率；--train 一键训练。
💡 LLM 可选 · 自动降级
支持 OpenAI 兼容接口（GPT-4o-mini 等），含二次聚类组织器；未配置或调用失败时自动回退到离线路径。
📦 多格式导出
输出 HTML（Netscape 格式可直接导入浏览器）、Markdown、JSON；分类结构最多两级，结果简洁可读。
🧹 统一 Emoji 清理
读入 → 标准化 → 导出三处兜底清理标题 emoji 前缀，避免跨浏览器导出时叠加重复。
🔗 去重 · 健康巡检
快速去重 + 高级去重全时开启，合并跨浏览器导出更稳；可选 --health-check 链接可达性巡检。
处理流水线
浏览器书签 HTML
│
▼
┌─────────────────────────────────────────────┐
│ BookmarkProcessor │
│ 加载 → 快速去重 → 高级去重 → emoji 清理 │
├─────────────────────────────────────────────┤
│ AIBookmarkClassifier │
│ ┌──────┐ ┌────┐ ┌──────┐ ┌────┐ ┌─────┐ │
│ │ 规则 │→│ ML │→│ 语义 │→│画像│→│ LLM │ │
│ └──────┘ └────┘ └──────┘ └────┘ └─────┘ │
│ 加权投票 → 融合置信度 │
├─────────────────────────────────────────────┤
│ TaxonomyStandardizer │
│ 受控词表映射 → subject + resource_type │
├─────────────────────────────────────────────┤
│ DataExporter │
│ HTML · Markdown · JSON │
└─────────────────────────────────────────────┘最小示例
powershell
# 安装（推荐 pipx）
pipx install .
# 处理书签
cleanbook -i examples/demo_bookmarks.html -o output
# 批处理 + 训练 ML
cleanbook -i "tests/input/*.html" --train
# 交互向导
cleanbook-wizard技术栈
| 组件 | 技术 |
|---|---|
| 语言 | Python 3.10+ |
| CLI | Click + Rich（交互向导） |
| 解析 | BeautifulSoup4 + lxml |
| ML | scikit-learn · jieba · langdetect |
| LLM | OpenAI 兼容接口（可选） |
| 导出 | HTML (Netscape) · Markdown · JSON |
| 分类体系 | 受控词表 + 分面分类（YAML 配置） |
| 质量 | pytest · flake8 · mypy |