核心用法
Geospatial Data Quality Audit 是一款面向 GIS 数据包的专业质检工具，采用纯 Python 开发，支持对本地目录中的空间数据进行递归扫描与深度审计。用户只需指定数据目录路径，即可触发完整的质量检查流程，涵盖文件可读性、坐标参考系统（CRS）、无效值（nodata）、几何有效性、编码规范、配套文件完整性及跨文件一致性等多维度检测。
工具执行流程分为六个阶段：递归发现地理空间文件（自动跳过隐藏/缓存目录）、基于扩展名与内容嗅探识别文件类型、执行文件级专项检查（栅格/矢量/表格/NetCDF/LAS等）、运行跨文件一致性比对、应用内置+自定义规则引擎、生成结构化报告并返回标准退出码。支持通过 --rules 参数加载 JSON 格式的自定义规则，实现项目级质检标准定制。
显著优点
格式覆盖全面：原生支持 GeoTIFF、Shapefile、GeoJSON、GPKG、NetCDF、HDF、LAS/LAZ 等 15+ 种主流 GIS 格式，单工具即可替代多格式专用检查脚本。报告输出丰富：除机器可读的 JSON 报告外，可选生成可视化 HTML 报告、空间问题 GeoJSON 图层、MD5 校验文件及清单文件，满足交付审计与问题定位双重需求。规则引擎灵活：内置规则覆盖常见数据质量问题，同时支持自定义文件大小限制、强制 CRS、禁止扩展名等规则，适配不同行业数据标准。安全只读设计：默认只读模式不修改源数据，--fix-safe 虽预留接口但未实现，从架构上规避误操作风险。标准退出码：遵循 Unix 惯例定义 0/2/3/6/7 五种退出状态，便于集成 CI/CD 流水线实现自动化质检门禁。
潜在缺点与局限性
依赖管理复杂：深度检查依赖 rasterio、fiona、netCDF4 等可选库，缺失时仅降级为基础检查并产生警告，可能导致质检深度不足。修复功能缺失：当前版本仅实现检测能力，数据修复需人工介入或借助其他工具，大规模数据清洗场景效率受限。无数据下载能力：工具严格限定为本地审计，不提供任何数据获取功能，需用户自行准备完整数据包。合规结论审慎：明确声明合规/认证结论需人工复核，自动生成报告不能作为最终法律或合同依据。性能瓶颈风险：递归扫描大容量目录时，--sample-size 参数虽可限制样本数，但全量检查可能面临 I/O 瓶颈。
适合的目标群体
本工具面向 GIS 数据生产与交付团队、空间数据工程师、遥感数据处理人员 及 数据治理专员。典型场景包括：卫星影像/无人机数据入库前的批量质检、国土调查成果提交前的合规检查、科研数据共享前的元数据完整性验证、以及企业级空间数据仓库的周期性健康巡检。对需要标准化交付报告、建立数据质量门禁机制的技术团队尤为适用。
使用风险
依赖版本兼容性：rasterio/fiona 等库与 GDAL 版本强绑定，环境配置不当可能导致检测能力异常或假阴性结果。规则配置误用：自定义规则 JSON 语法错误可能引发非预期行为，建议配套版本控制与规则测试流程。大目录性能问题：TB 级数据目录的全递归扫描可能触发内存或超时问题，生产环境建议分批次执行或启用采样模式。HTML 报告注入：若数据目录包含恶意构造的文件名，HTML 报告生成存在潜在的 XSS 风险（需确认转义处理）。