长篇小说场景定位
从单文件全本 txt 中，把"某一类场景"定位到章节级。核心不是写正则，是切分先自检、判据后自检。
铁律
- 不许先断言后验证。 判据写完，必须在"已知答案的样本"上跑一遍再开口报数。
- 只报分数不算自检。要抽查被判中的段落原文、也要抽查被判掉的原文。
- 不要顺手扩大范围：只做用户要的那一类场景。
步骤
1. 编码与结构探查
- 先试
utf-8 / gbk / utf-16三种解码（网文 txt 多为 GBK）。 - 用
re扫行首匹配第N章|第N幕|第N卷（N 含中文数字与阿拉伯数字），看标题格式与卷划分。 - 中文章节编号要写
cn2num（十/百/千进位，注意"两"=2）。
2. 切分 + 切分自检（必做）
标题行判据（实测有效组合）：
行首匹配 ^第N(章|幕|卷)
且 前一行为空行 ← 正文段落多以全角空格开头，对话行不是，所以这条是主力
且 长度 ≤ 30
且 不以句号结尾 ← 排除"第十八幕，S'taz为精灵语。"这类注释
注意：不要把"不以标点结尾"扩大到 ？！，会误删真标题（如"第四十三幕 不是高地骑士吗？"）。
也不要要求"后一行必须是空行"，真标题后常直接跟对话行。
切完做卷内序号连续性自检：遍历标题，期望序号从 1 起逐章 +1，遇到卷标题重置。
报告所有断裂处。断裂为 0 → 切分可信；断裂多 → 说明判据漏行或混了噪声，回去调。
另可辅助验证：统计相邻标题间的字数间隔，正常应 > 800 字；间隔极小的成对标题多半是噪声
（唯一合法的小间隔是"卷标题 → 该卷第一幕"）。
3. 场景打分（双层词表 + 滑动窗口）
- CORE 词：只有该类场景真的发生时才出现的词。战斗场景 = 挥剑/劈开/格挡/闪避/贯穿/喷血/冲锋…
- AUX 词：场景语境词但会滥用的（伤口/交战/魔力/敌人…）。
- 滑动窗口 300 字 / 步长 150。
- 窗口判定：
命中的不同 CORE 词 ≥ 2，或≥1 且 (CORE+AUX) ≥ 5。
用"不同词的个数"而不是总次数——否则历史回顾里反复出现的"杀死/战死"会刷分。 - 允许中断 1 个窗口后接续（场景里常夹一两句对话/心理）；连续 ≥2 窗口算一段。
- 输出指标：战斗(场景)段落字数 / 全章字数 = 占比；最长段落字数；核心词密度(每千字)。
4. 判据自检（必做）
- 随机抽 12 章，打印每章 首/中/尾 各 ~300 字，人工读一遍给出 有/无，再和判据对比，报出 正确数/12。
- 同时抽查高分榜 TOP 若干与中低分档若干，打印被判中的段落原文确认真是该类场景。
- 常见误判及修法（战斗场景实测）：
| 误判 | 修法 |
|---|---|
| 环境/氛围描写（白骨、灰烬、废墟、尖啸） | 这类词从词表剔除 |
| 历史回顾反复"杀死/战死" | 改用不同词个数；'杀死'降为 AUX |
| 宏大场面（旗帜燃烧、金色光柱） | 光柱/火焰类降为 AUX |
| 军事部署叙述、战后清点 | 无法完全消除，归到最低档并注明"疑似" | - 试过无效的特征：平均句长（战斗窗口 40 字 vs 叙述窗口 32 字，方向与直觉相反）。
5. 输出
- 分档：S(≥50%) / A(30–50%) / B(15–30%) / C(<15%) / D(无)。
- 除单章清单外，按系列聚合很有用：标题去掉尾部
（一）（上）后同名合并，算系列平均占比
（能一眼看出"安魂曲""决战""破晓"这类战役系列整段都是战斗）。 - 交付：markdown 报告（含判据与自检说明）+ CSV 全量（卷/章号/标题/分档/占比/字数/起始行）。
参考实现
本项目脚本：split_chapters.py（切分）、battle_dict.py（词表）、
battle_score.py（打分）、report.py（出报告）、sample.py / peek_rank.py（抽查自检）。
