zbparse/flask_app/货物标/商务服务其他要求提取.py

# -*- encoding:utf-8 -*-
import json
import re
from PyPDF2 import PdfReader

from flask_app.general.doubao import read_txt_to_string
from flask_app.general.json_utils import combine_json_results,clean_json_string
from flask_app.general.通义千问long import upload_file,qianwen_long_stream
from flask_app.货物标.截取pdf货物标版 import extract_common_header, clean_page_content
from flask_app.general.doubao import doubao_model

#正则表达式判断原文中是否有商务、服务、其他要求
def find_exists(truncate_file, required_keys):
    if not truncate_file:
        return ["技术要求", "商务要求", "服务要求", "其他要求"]

    common_header = extract_common_header(truncate_file)  # 假设该函数已定义
    pdf_document = PdfReader(truncate_file)

    # 定义正则模式
    begin_pattern = re.compile(
        r'(?:^第[一二三四五六七八九十百千]+(?:章|部分)\s*'  # 匹配“第X章”或“第X部分”
        r'[\u4e00-\u9fff、()（）]*?'  # 匹配允许的字符
        r'(?:(?:服务|项目|商务|技术)[\u4e00-\u9fff、()（）]*?要求|'  # 匹配“服务”、“项目”、“商务”或“技术”后跟“要求”
        r'(?:采购|需求)[\u4e00-\u9fff、()（）]*?)'  # 匹配“采购”或“需求”
        r'\s*$|'  # 匹配行尾
        r'^第[一二三四五六七八九十百千]+(?:章|部分)(?!.*说明).*?'  # 匹配“第X章”后带“采购内容”等，排除“说明”
        r'(?:采购内容|采购要求|需求).*|'  # 匹配“采购内容”或“采购要求”关键词
        r'^[一二三四五六七八九十百千]+、\s*采购清单)'  # 匹配“一、采购清单”
        r'\s*$',  # 匹配行尾
        re.MULTILINE
    )
    end_pattern = re.compile(
        r'第[一二三四五六七八九1-9]+(?:章|部分)\s*[\u4e00-\u9fff、()（）]+\s*$', re.MULTILINE)

    # 遍历所有页面，拼接全文
    text = ""
    for page in pdf_document.pages:
        page_text = page.extract_text() or ""
        cleaned_text = clean_page_content(page_text, common_header)
        text += cleaned_text + "\n"

    # 匹配起始位置
    start_match = re.search(begin_pattern, text)
    if not start_match:
        print("未找到开始模式")
        return []

    start_index = start_match.end()

    # 匹配结束位置
    end_match = re.search(end_pattern, text[start_index:])
    if end_match:
        end_index = start_index + end_match.start()
        relevant_text = text[start_index:end_index]
    else:
        relevant_text = text[start_index:]

    # 保留换行，避免结构丢失
    relevant_text = re.sub(r'\s+', ' ', relevant_text)
    # print(f"提取的内容范围:\n{relevant_text}")

    # 匹配所需的要求
    matched_requirements = []
    punctuation = r"[，。？！、；：,.?!]*"
    for req in required_keys:
        # required_keys 中的元素本身已包含 \s*，直接作为正则模式
        if re.search(req, relevant_text):
            if req == "服\s*务\s*要\s*求":
                # 提取所有包含"服务要求"的行
                lines = [line for line in relevant_text.split('\n') if re.search(req, line)]
                # 检查是否存在'技术'紧跟在'服务要求'前面（中间只有标点，标点是可选的）
                pattern = "技\s*术" + punctuation + req
                if any(re.search(pattern, line) for line in lines):
                    # 如果存在'技术'紧跟'服务要求'，添加"技术、服务要求"
                    if "技\s*术\s*、\s*服\s*务\s*要\s*求" not in matched_requirements:
                        matched_requirements.append("技\s*术\s*、\s*服\s*务\s*要\s*求")
                else:
                    # 如果不存在'技术'紧跟'服务要求'，正常添加"服务要求"
                    matched_requirements.append(req)
            else:
                matched_requirements.append(req)

    # 去除 \s*，仅返回原始关键词
    clean_requirements = [re.sub(r'\\s\*', '', req) for req in matched_requirements]

    # 判断互斥关系：如果有"技术、服务要求"，删除"技术要求"和"服务要求"
    if "技术、服务要求" in clean_requirements:
        clean_requirements = [req for req in clean_requirements if req not in ["技术要求", "服务要求"]]

    return clean_requirements

def generate_queries(truncate_file, required_keys):
    key_list = find_exists(truncate_file, required_keys)
    queries = []
    user_query_template = "这是一份货物标中采购要求部分的内容，请告诉我\"{}\"是什么，请以json格式返回结果，外层键名是\"{}\"，内层键值对中的键名是原文中的标题或者是你对相关子要求的总结，而键值需要完全与原文保持一致，不可擅自总结删减，注意你无需回答采购清单中具体设备的技术参数要求，仅需从正文部分开始提取，"
    for key in key_list:
        query_base = user_query_template.format(key, key)
        other_keys = [k for k in key_list if k != key]
        if other_keys:
            query_base += "也不需要回答\"{}\"中的内容，".format("\"和\"".join(other_keys))
        query_base += "若相关要求不存在，在键值中填'未知'。"
        queries.append(query_base)
        # print(query_base)
    return queries

def generate_user_query_template(required_keys,processed_filepath):
    import textwrap
    import json

    # 定义所有可能的键
    all_possible_keys = ["技术要求", "服务要求", "商务要求", "其他要求", "技术、服务要求"]

    # 定义每个键对应的示例内容
    example_content1 = {
        "技术要求": ["相关技术要求1", "相关技术要求2"],
        "服务要求": ["服务要求1", "服务要求2"],
        "商务要求": {
            "子因素名1": ["商务要求1"],
            "子因素名2": ["商务要求2"]
        },
        "其他要求": {
            "子因素名1": ["关于项目采购的其他要求1...", "关于项目采购的其他要求2..."],
            "子因素名2": ["关于项目采购的其他要求3...", "关于项目采购的其他要求4..."]
        },
        "技术、服务要求": ["相关技术、服务要求内容1", "相关技术、服务要求内容2"]
    }

    example_content2 = {
        "技术要求": {
            "子因素名1": ["相关技术要求1", "相关技术要求2"],
            "子因素名2": ["相关技术要求3"]
        },
        "服务要求": {
            "子因素名1": ["相关服务要求1", "相关服务要求2"],
            "子因素名2": ["相关服务要求3", "相关服务要求4"]
        },
        "商务要求": ["商务要求1", "商务要求2"],
        "其他要求": ["关于项目采购的其他要求1..."],
        "技术、服务要求": {
            "子因素名1": ["相关技术、服务要求内容1"],
            "子因素名2": ["相关技术、服务要求内容2", "相关技术、服务要求内容3"]
        }
    }

    # 将 required_keys 转换为集合以便于操作
    keys = set(required_keys)

    # 处理互斥关系：如果 "技术要求" 和 "服务要求" 同时存在，则移除 "技术、服务要求"
    if "技术要求" in keys and "服务要求" in keys:
        keys.discard("技术、服务要求")
    # 如果 "技术、服务要求" 存在，则移除 "技术要求" 和 "服务要求"
    elif "技术、服务要求" in keys:
        keys.discard("技术要求")
        keys.discard("服务要求")

    # 确保 keys 中只包含允许的键
    keys = keys.intersection(all_possible_keys)

    # 按照预定义的顺序排序键，以保持一致性
    sorted_keys = [key for key in all_possible_keys if key in keys]

    # 如果没有任何键被选中，返回一个默认的模板或抛出异常
    if not sorted_keys:
        raise ValueError("required_keys 中没有有效的键。")

    # 生成提示部分，根据 sorted_keys 动态构建
    keys_str = '、'.join(sorted_keys)
    outer_keys_str = ', '.join([f"'{key}'" for key in sorted_keys])

    # 使用三引号定义多行字符串，便于编辑和维护
    prompt_instruction = textwrap.dedent(f"""请你根据该货物类招标文件中的采购要求部分内容（技术、服务及商务要求部分内容），请告诉我该项目采购的{keys_str}分别是什么，请以json格式返回结果，默认情况下外层键名是{outer_keys_str}，键值为字符串列表，每个字符串表示具体的一条要求，请按原文内容回答，保留三角▲、五角星★和序号（若有），不要擅自增添内容。

    要求与指南：
    1. 默认情况无需嵌套，键值为字符串列表；若存在嵌套结构，嵌套键名是原文中该要求下相应子标题，最多一层嵌套。
    2. JSON 的结构要求：
        - 外层键名为 {outer_keys_str} 中的各项。
        - 每个外层键对应的值可以是：
            a. 一个对象（字典），其键为子因素名，值为字符串列表。
            b. 一个字符串列表，表示具体的一条条要求。若只有一条要求，也用字符串列表表示。
        - 最多只允许一层嵌套。
    3. 请优先定位正文部分的大标题'xx要求'，在其之后提取'xx要求'相关内容，
    4. 若章节开头位置或者采购清单中除了需要采购的货物、数量、单位之外，还有带三角▲或五角星★的描述内容（如工期要求、质保要求等商务要求），请将该部分内容提取出来，添加在键名为'商务要求'的字典的键值部分,注意请不要返回Markdown语法，必要时使用冒号':'将相关信息拼接在一起。
    5. 在提取技术要求或技术、服务要求时（若有），你无需从采购清单或表格中提取货物名以及参数要求，你仅需定位到原文中大标题'技术要求'或'技术、服务要求'部分提取正文内容，若内容全在表格中，键值为空列表[]。
    6. 若无相关要求，键值为[] 
    """ )

    # 过滤 example_content1 和 example_content2 以仅包含 sorted_keys
    def filter_content(example_content, keys):
        return {k: v for k, v in example_content.items() if k in keys}

    filtered_example_content1 = filter_content(example_content1, sorted_keys)
    filtered_example_content2 = filter_content(example_content2, sorted_keys)

    # 将过滤后的示例转换为格式化的 JSON 字符串
    json_example1_str = json.dumps(filtered_example_content1, indent=4, ensure_ascii=False)
    json_example2_str = json.dumps(filtered_example_content2, indent=4, ensure_ascii=False)
    # 从文件中读取内容
    # full_text = read_txt_to_string(processed_filepath)
    # 完整的用户查询模板，包含两份示例输出
    user_query_template = f"""
{prompt_instruction}
以下为示例输出，仅供格式参考：
示例 1：
{json_example1_str}
示例 2：
{json_example2_str}

"""
    # 文本内容：{full_text}
    return user_query_template

def get_business_requirements(procurement_path,processed_filepath):
    file_id=upload_file(procurement_path)
    required_keys = ["技\s*术\s*要\s*求","商\s*务\s*要\s*求", "服\s*务\s*要\s*求", "其\s*他\s*要\s*求"]
    contained_keys=find_exists(procurement_path,required_keys)
    print(contained_keys)
    # queries = generate_queries(truncate_file, contained_keys)
    user_query=generate_user_query_template(contained_keys,processed_filepath)
    # print(user_query)
    model_res=qianwen_long_stream(file_id,user_query)
    # model_res=doubao_model(user_query)
    # Combine and fill missing keys with default values
    final_res = clean_json_string(model_res)
    # final_res.update({key: final_res.get(key, "") for key in required_keys})
    return final_res

#TODO:改为先判断，再摘取
if __name__ == "__main__":
    # truncate_file = "C:\\Users\\Administrator\\Desktop\\fsdownload\\e4be098d-b378-4126-9c32-a742b237b3b1\\ztbfile_procurement.docx"
    truncate_file=r"C:\Users\Administrator\Desktop\fsdownload\5901b181-b55f-4107-9f30-c85d607b1fa0\ztbfile_procurement.pdf"
    processed_filepath=""
    # file_id = upload_file(truncate_file)
    res=get_business_requirements(truncate_file,"")
    print(json.dumps(res, ensure_ascii=False, indent=4))