# -*- encoding:utf-8 -*- import json import re from PyPDF2 import PdfReader import textwrap from flask_app.general.doubao import read_txt_to_string from flask_app.general.json_utils import clean_json_string from flask_app.general.model_continue_query import continue_answer, process_continue_answers from flask_app.general.通义千问long import upload_file, qianwen_long_stream, qianwen_plus from flask_app.货物标.截取pdf货物标版 import extract_common_header, clean_page_content from flask_app.general.format_change import docx2pdf, pdf2docx import concurrent.futures 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[一二三四五六七八九十1-9]+(?:章|部分)\s*[\u4e00-\u9fff、()（）]+\s*$', re.MULTILINE) # 只处理第一页和最后一页 first_page = pdf_document.pages[0].extract_text() or "" last_page = pdf_document.pages[-1].extract_text() or "" # 清理页面内容 first_page_clean = clean_page_content(first_page, common_header) last_page_clean = clean_page_content(last_page, common_header) # 在第一页寻找起始位置 start_match = re.search(begin_pattern, first_page_clean) if not start_match: print("未找到开始模式，返回完整第一页") first_content = first_page_clean else: start_index = start_match.end() first_content = first_page_clean[start_index:] # 在最后一页寻找结束位置 end_match = re.search(end_pattern, last_page_clean) if not end_match: print("未找到结束模式，返回完整最后一页") last_content = last_page_clean else: last_content = last_page_clean[:end_match.start()] # 获取中间页面的内容 middle_content = "" if len(pdf_document.pages) > 2: for page_num in range(1, len(pdf_document.pages) - 1): page_text = pdf_document.pages[page_num].extract_text() or "" cleaned_text = clean_page_content(page_text, common_header) middle_content += cleaned_text + "\n" # 组合所有内容 relevant_text = first_content + "\n" + middle_content + "\n" + last_content 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: if re.search(req, relevant_text): # 替换特定的关键词 if req in [r"总\s*体\s*要\s*求", r"建\s*设\s*要\s*求",r"整\s*体\s*要\s*求"]: # 匹配到“总体要求”或“建设要求”时，添加“技术要求”而非原关键词 tech_req = r"技\s*术\s*要\s*求" if tech_req not in matched_requirements: matched_requirements.append(tech_req) elif req in [r"培\s*训\s*要\s*求", r"质\s*保\s*要\s*求", r"售\s*后\s*要\s*求"]: # 匹配到“培训要求”、“质量保证要求”或“售后要求”时，添加“服务要求”而非原关键词 service_req = r"服\s*务\s*要\s*求" if service_req not in matched_requirements: matched_requirements.append(service_req) elif req in [r"进\s*度\s*要\s*求", r"工\s*期\s*要\s*求"]: # 匹配到“进度要求”或“工期要求”时，添加“商务要求”而非原关键词 busi_req = r"商\s*务\s*要\s*求" if busi_req not in matched_requirements: matched_requirements.append(busi_req) elif req == r"服\s*务\s*要\s*求": # 处理“服务要求”时的特殊逻辑 lines = [line for line in relevant_text.split('\n') if re.search(req, line)] pattern = r"技\s*术" + punctuation + req if any(re.search(pattern, line) for line in lines): combined_req = r"技\s*术\s*、\s*服\s*务\s*要\s*求" if combined_req not in matched_requirements: matched_requirements.append(combined_req) else: if req not in matched_requirements: matched_requirements.append(req) else: # 对于其他匹配的关键词，直接添加 if req not in matched_requirements: matched_requirements.append(req) # 以下部分为原有逻辑，用于替换和去除 \s*，保留注释以便以后切换 # # 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"]] # # 确保最终返回的列表仅包含指定的五项 # # allowed_requirements = {"技术要求", "服务要求", "商务要求", "其他要求", "技术、服务要求"} # # final_requirements = [req for req in clean_requirements if req in allowed_requirements] # 简化后的逻辑：默认添加 '商务要求' 和 '服务要求' # 1. 如果存在“技术、服务要求”，则不返回“服务要求” # 2. 否则，确保“商务要求”和“服务要求”在列表中 clean_requirements = [re.sub(r'\\s\*', '', req) for req in matched_requirements] if "技术、服务要求" in clean_requirements: # 如果存在“技术、服务要求”，则移除“服务要求”并确保添加“技术、服务要求” clean_requirements = [req for req in clean_requirements if req != "服务要求" and req != "技术、服务要求"] if "技术、服务要求" not in clean_requirements: clean_requirements.append("技术、服务要求") else: # 默认添加“商务要求”和“服务要求”如果它们不在列表中 if "商务要求" not in clean_requirements: clean_requirements.append("商务要求") if "服务要求" not in clean_requirements: clean_requirements.append("服务要求") # 去除重复项 clean_requirements = list(set(clean_requirements)) # 最终返回清理后的要求列表 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_template(required_keys,full_text, type=1): # 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", "服务要求3"], "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...", "关于项目采购的其他要求2...", "关于项目采购的其他要求3..."], "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", "相关技术、服务要求内容3"] } 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"] }, "服务要求": { "子因素名1": ["服务要求1"], "子因素名2": ["服务要求2", "服务要求3"] }, "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..."] }, "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) type_to_keys_map = { 1: ["服务要求", "商务要求", "其他要求"], 2: ["技术要求", "技术、服务要求"] } # 根据 type 获取对应的 all_possible_keys chosen_keys = type_to_keys_map.get(type, []) another_keys_list = type_to_keys_map.get(3 - type, []) # 3 - type 将 type 1 映射到 2，反之亦然 another_keys_str = ', '.join([f"'{key}'" for key in another_keys_list]) # 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(chosen_keys) # 按照预定义的顺序排序键，以保持一致性 sorted_keys = [key for key in chosen_keys if key in keys] # 如果没有任何键被选中，返回"" if not sorted_keys: return "" # 生成模板的通用部分 def generate_prompt_instruction(keys_str, outer_keys_str, another_keys_str, type): if type == 1: specific_instructions = textwrap.dedent( """5. 补充要求（商务要求提取）: -章节开头或采购清单中的描述提取： 如果章节开头位置或采购清单中，除了列出货物、数量、单位之外，还描述了如工期要求、进度要求、品牌要求等商务要求，需提取这些内容，添加在外层键名为'商务要求'的键值部分。 -标题中涉及商务要求的内容提取： 若文档标题包含“工期要求”、“进度要求”等商务要求相关的关键字，使用嵌套键值对形式，将这些标题下的内容归类到“商务要求”的键值部分。嵌套键名为对应的子标题。 6. 补充要求（服务要求提取）： -在提取'服务要求'的时候，若原文（包含正文和表格）中存在'安装要求'、'售后要求'、'维护要求'、'培训要求'等服务相关的标题及内容，不要遗漏这部分的'服务要求'： 可以使用嵌套键值对形式，添加至'服务要求'的键值部分； 也可以不采用嵌套键值对的形式，直接将其具体的内容按点添加进'服务要求'的字符串列表中。 若不存在这些内容，避免返回这些嵌套键值对如'安装要求':[] 7. 避免重复提取： 若正文某部分已被提取，则无需再次重复提取。例如：提取'服务要求'时得到了'售后要求'相关内容，那么在提取'商务要求'时无需再提取该内容。如果文档中未明确列出某类要求，直接返回空列表 []。 **限制内容**： - **避免提取技术要求**：在提取这些要求时，确保不包含任何与技术规格、功能或性能相关的内容。 - **避免提取资格审查相关内容**：在提取这些要求时，确保不包含任何与资格审查、符合性审查、形式评审有关的内容。 """ ) else: specific_instructions = textwrap.dedent( """5. 技术要求提取规则： -在提取技术要求或技术、服务要求时，你无需从采购清单或表格中提取具体设备、采购标的的技术要求以及参数要求，你仅需定位到原文中包含'技术要求'或'技术、服务要求'关键字的标题，并提取该标题下的整体技术要求内容； -若该章节的技术要求内容全部以表格形式呈现，则键值应为空列表[]。 -如果大标题中包含'总体要求''建设要求'等和技术要求相关的关键字，可以使用嵌套键值对形式，将这些内容添加到“技术要求”的键值部分。 6. 在提取'技术要求'时，注意不要提取有关'安装、售后、维护、运维、培训、质保、工期、进度'等要求，它们不属于'技术要求'， **限制内容**： - **避免提取商务要求**：在提取技术要求时，确保不包含任何与商务要求相关的内容，例如'安装、售后、维护、运维、培训、质保、工期、进度'等要求，它们不属于'技术要求'。 - **避免提取资格审查相关内容**：在提取技术要求时，确保不包含任何与资格审查、符合性审查、形式评审有关的内容。 """ ) return 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，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，外层键名是{outer_keys_str}，默认情况下键值为字符串列表，每个字符串表示具体的一条要求，可以按原文中的序号作划分（若有序号的话），请按原文内容回答，保留三角▲、五角星★和序号（若有），不要擅自增删内容。 注意事项： 1. 提取的要求应为采购、招标活动或项目的整体要求，而非针对具体采购物品的技术参数或功能要求。 2. 采购要求是针对投标人、中标人、供应商等投标相关主体的具体要求，避免回答如行政性要求（投标文件的提交方式、截止时间、地点等）、招标活动流程、答疑相关内容等。 3. 如果在相应要求下发现只有标题性质的子标题,却没有实际的具体要求，那么可以： -忽略掉这些标题,不要将它们与下面的具体要求合并在一起。 -也可以将它们作为该要求下的嵌套键名,但字符串列表中只提取实际的具体要求。 4. 请不要提取{another_keys_str}中的内容。 要求与指南： 1. JSON 的结构要求： - 默认情况无需嵌套键值对，键值为字符串列表；如果文档中有明确的子标题或者表格形式的各行表示子要求，则采用嵌套键值对形式，嵌套键名是各子要求，内层键值为字符串列表，表示该子要求下的具体要求。最多允许一层嵌套。 - 每个外层键（大要求）对应的值可以是： a. 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。 b. 一个对象（字典），其键为子要求，值为字符串列表。 c. 如果文档中没有找到相关的要求，键值为空列表[]，无需进行推测或强行生成答案。 - 最多只允许一层嵌套。 2. 内容定位规则： -请优先且准确定位正文部分包含以下关键字的标题或表格：{outer_keys_str}，在其之后提取'XX要求'相关内容，尽量避免在无关地方提取内容。 3. 表格处理： -注意请不要返回Markdown表格语法，可以使用冒号':'将相关信息拼接在一起，如"交付期:合同签订之日起30天内。"；或是采用嵌套键值对组织回答。 -表格中出现的特殊符号如▲★需要添加至相应键值中。 4. 保留原始信息： -字符串列表中的每个字符串内容需与原文内容保持一致（要求与指南3.表格处理例外），保留前面的三角▲、五角星★和序号（如果有），但不可以擅自添加这些内容。 {specific_instructions}""") # 过滤示例内容 def filter_example_content(example_content, keys): return {k: v for k, v in example_content.items() if k in keys} def format_example(example_content): return json.dumps(example_content, indent=4, ensure_ascii=False) filtered_example_content1 = filter_example_content(example_content1, sorted_keys) filtered_example_content2 = filter_example_content(example_content2, sorted_keys) tech_json_example1_str = format_example(filtered_example_content1) tech_json_example2_str = format_example(filtered_example_content2) keys_str = '、'.join(sorted_keys) outer_keys_str = ', '.join([f"'{key}'" for key in sorted_keys]) prompt_instruction = generate_prompt_instruction(keys_str, outer_keys_str, another_keys_str, type) # 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,无嵌套键值对： {tech_json_example1_str} 示例 2，嵌套键值对形式： {tech_json_example2_str} """ if full_text: user_query_template += f"\n\n文件内容：{full_text}" return user_query_template def get_business_requirements(procurement_path, processed_filepath, model_type): 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", "总\s*体\s*要\s*求", "整\s*体\s*要\s*求","建\s*设\s*要\s*求", "进\s*度\s*要\s*求", "工\s*期\s*要\s*求", "质\s*保\s*要\s*求", "培\s*训\s*要\s*求", "售\s*后\s*要\s*求"] # 将 doc/docx 转换为 pdf procurement_pdf_path = procurement_path if procurement_path.lower().endswith(('.doc', '.docx')): procurement_pdf_path = docx2pdf(procurement_path) # 查找包含的关键词 contained_keys = find_exists(procurement_pdf_path, required_keys) print(contained_keys) if not contained_keys: return {} # 读取文件全文 full_text = read_txt_to_string(processed_filepath) # 生成业务查询和技术查询 busi_user_query = generate_template(contained_keys, full_text, 1) tech_user_query = generate_template(contained_keys, full_text, 2) # 初始化结果存储 final_res = {} # 如果是非模型调用，需要提前上传文件并获取 file_id file_id = None if model_type!=4: procurement_docx_path=procurement_path if procurement_path.lower().endswith('.pdf'): procurement_docx_path = pdf2docx(procurement_path) file_id = upload_file(procurement_docx_path) # 只上传一次文件，避免冗余调用 # 并行处理业务和技术查询 questions_to_continue = [] # 存储需要调用 continue_answer 的 (original_query, parsed) with concurrent.futures.ThreadPoolExecutor(max_workers=2) as executor: futures = [] future_to_query = {} # 创建一个字典来映射 future 到 original_query if busi_user_query: if model_type==4: # 如果是模型调用，直接使用 qianwen_plus future = executor.submit(qianwen_plus, busi_user_query,True) else: # 使用 qianwen_long_stream 并传入 file_id future = executor.submit(qianwen_long_stream, file_id, busi_user_query, 2, 1,True) futures.append(future) future_to_query[future] = busi_user_query # 映射 future 到 busi_user_query if tech_user_query: if model_type==4: # 如果是模型调用，直接使用 qianwen_plus future = executor.submit(qianwen_plus, tech_user_query,True) else: # 使用 qianwen_long_stream 并传入 file_id future = executor.submit(qianwen_long_stream, file_id, tech_user_query, 2, 1,True) futures.append(future) future_to_query[future] = tech_user_query # 映射 future 到 tech_user_query # 收集需要继续回答的问题 initial_results = {} max_tokens = 7900 if model_type == 4 else 5900 # 获取结果 for future in concurrent.futures.as_completed(futures): original_query = future_to_query[future] # 获取对应的 original_query try: result = future.result() if result: # 确保结果不为空 message = result[0] parsed = clean_json_string(message) total_tokens = result[1] if not parsed and total_tokens > max_tokens: questions_to_continue.append((original_query, message)) else: initial_results.update(parsed) except Exception as e: print(f"An error occurred: {e}") # 处理需要继续回答的问题 if questions_to_continue: continued_results = process_continue_answers(questions_to_continue, model_type, file_id) final_res.update(continued_results) # 合并初步结果 final_res.update(initial_results) 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\货物标\output1\2-招标文件（广水市教育局封闭管理）_procurement.pdf" procurement_path=r'C:\Users\Administrator\Desktop\货物标\output1\6.2定版视频会议磋商文件_procurement.pdf' docx_path=r'D:\flask_project\flask_app\static\output\output1\83ae3e35-9136-4402-a74f-01d7adfcbb73\invalid_added.docx' # truncate_file=r"C:\Users\Administrator\Desktop\new招标文件\output5\HBDL-2024-0519-001-招标文件_procurement.pdf" # file_id = upload_file(truncate_file) # processed_filepath = pdf2txt(procurement_path) processed_filepath=r'C:\Users\Administrator\Desktop\货物标\output1\extract1.txt' final_res= get_business_requirements(procurement_path,processed_filepath,4) print(json.dumps(final_res, ensure_ascii=False, indent=4))