scichem-normalizer

name	scichem_normalizer
description	科学公式/化学式规整 Skill：统一文本列中的数学符号、Unicode 上下标、化学反应箭头、全角 ASCII 和多余空格。 适用于实验记录、论文摘录、化学反应式和科学公式文本；不负责公式语义解析、单位换算或化学配平。
name_zh	科学公式化学式规整
tag	数据清洗
input_params	[{"name":"input_path","type":"string","required":true,"description":"输入结构化文件路径"},{"name":"output_path","type":"string","required":true,"description":"输出结构化文件路径"},{"name":"text_columns","type":"string","required":false,"description":"处理的文本列，逗号分隔；默认全部字符串列"}]
output_params	[{"name":"output_path","type":"string","description":"科学/化学符号规整后的结构化文件"}]
publisher	COMMUNITY

SciChem Normalizer 科学公式化学式规整 Skill

功能概述

本 skill 对结构化数据中的科学公式和化学式文本做轻量规整：将特殊加减乘除、全角 ASCII、括号和等号转换为标准 ASCII；将 Unicode 上标/下标转为 ^/_ 标记；将反应箭头统一为 -> 或 <->；折叠多余空格。

触发条件

当用户请求以下任务时，应使用此 skill：

• 科学公式符号规整
• 化学式上下标清洗
• 反应箭头统一
• 实验记录中的公式文本标准化

核心参数说明

必需参数

参数	说明
--input_path	输入 CSV/TSV/Excel 等结构化文件路径
--output_path	输出结构化文件路径

可选参数

参数	说明	默认值
--text_columns	处理的文本列，逗号分隔；不填则处理全部字符串列	全部字符串列

输入文件格式

id	text
1	The reaction H₂ + O₂ → H₂O releases energy.
2	Concentration was 5 × 10⁻³ mol/L.

使用方法

python scripts/scichem_normalizer.py \
  --input_path input.tsv \
  --output_path output.csv \
  --text_columns text

处理示例

输入文本	输出文本
H₂ + O₂ → H₂O	H_2 + O_2 -> H_2O
5 × 10⁻³ mol/L	5 * 10^-3 mol/L
Already ASCII formula H2O	Already ASCII formula H2O

输出示例

id,text
1,H_2 + O_2 -> H_2O
2,5 * 10^-3 mol/L

环境要求

依赖 Python、pandas，以及本仓库 DC 公用 data_io 读写工具。

注意事项

1. 该 skill 做符号级规整，不做化学方程式配平或科学公式语义解析。
2. Unicode 上下标会转换为 ^/_ 文本标记，需确保后续流程接受这种表示。
3. 单位换算、科学计数法数值换算不属于本 skill。