import json import re #提取两个大标题之间的内容 def extract_between_sections(data, target_values): target_found = False extracted_data = {} current_section_title = "" section_pattern = re.compile(r'^[一二三四五六七八九十]+$') # 匹配 "一", "二", "三" 等大标题 current_block = {} # 遍历所有键值对 for key, value in data.items(): # 只匹配形如 "一": "竞争性磋商响应文件" 的章节标题 if section_pattern.match(key): if target_found: # 如果已经找到了符合的章节，并且遇到了另一个章节 # 保存当前块并重置 if current_block: extracted_data[current_section_title] = current_block current_block = {} target_found = False # 检查当前标题是否包含 target_values 中的任意关键词 if any(tv in value for tv in target_values): target_found = True # 找到了目标章节，开始捕获后续内容 current_section_title = value # 保存章节标题内容 elif target_found: # 只捕获目标值之后的内容 current_block[key] = value # 保存最后一个块（如果有的话） if current_block: extracted_data[current_section_title] = current_block return extracted_data def process_with_outer_key(data): processed_data = {} # 遍历外层的键值对 for outer_key, inner_data in data.items(): # 调用 transform_json 函数对内层数据进行处理 processed_inner_data = transform_json(inner_data) # 将处理后的数据保留在外层键下 processed_data[outer_key] = processed_inner_data return processed_data # 转换结构化的JSON数据 def transform_json(data): result = {} temp = {0: result} # 初始化根字典 # 首先,创建一个临时字典用于检查是否存在三级标题 has_subkey = {} for key in data.keys(): parts = key.split('.') if len(parts) > 2 and parts[1]: parent_key = parts[0] + '.' + parts[1] has_subkey[parent_key] = True for key, value in data.items(): match = re.match(r'(\d+)(?:\.(\d+))?(?:\.(\d+))?', key) if match: levels = [int(l) for l in match.groups() if l is not None] if (len(levels) - 1) in temp: parent = temp[len(levels) - 1] else: print(f"No parent found at level {len(levels) - 1} for key '{key}'. Check the data structure.") continue if len(levels) == 1: # 一级标题 # 新增逻辑：判断值中是否有 ':' 或 '：'，并进行拆分 # 优先按 '\n' 拆分 if '\n' in value: new_key, *new_value = value.split('\n', 1) new_key = new_key.strip() new_value = new_value[0].strip() if new_value else "" # 如果没有 '\n'，再检查 ':' 或 '：'，并进行拆分 elif ':' in value or '：' in value: delimiter = ':' if ':' in value else '：' new_key, new_value = value.split(delimiter, 1) new_key = new_key.strip() new_value = new_value.strip() else: new_key = value.strip() new_value = "" parent[new_key] = {} if new_value: parent[new_key][new_key] = new_value # 使用 new_key 作为键名，而不是固定的 "content" temp[len(levels)] = parent[new_key] elif len(levels) == 2: # 二级标题 new_key, *new_value = value.split('\n', 1) new_key = new_key.strip() new_value = new_value[0].strip() if new_value else "" if f"{levels[0]}.{levels[1]}" in has_subkey: parent[new_key] = [new_value] if new_value else [] else: parent[new_key] = new_value temp[len(levels)] = parent[new_key] else: # 三级标题 if isinstance(parent, dict): parent_key = list(parent.keys())[-1] if isinstance(parent[parent_key], list): parent[parent_key].append(value) elif parent[parent_key]: parent[parent_key] = [parent[parent_key], value] else: parent[parent_key] = [value] elif isinstance(parent, list): parent.append(value) def remove_single_item_lists(node): if isinstance(node, dict): for key in list(node.keys()): node[key] = remove_single_item_lists(node[key]) if isinstance(node[key], list) and len(node[key]) == 1: node[key] = node[key][0] return node return remove_single_item_lists(result) #主要是处理键值中若存在若干序号且每个序号块的内容>=50字符的时候，用列表表示。 def post_process(value): # 如果传入的是非字符串值，直接返回原值 if not isinstance(value, str): return value # 定义可能的分割模式及其正则表达式 patterns = [ (r'\d+、', r'(?=\d+、)'), # 匹配 '1、' (r'[（(]\d+[）)]', r'(?=[（(]\d+[）)])'), # 匹配 '(1)' 或 '（1）' (r'\d+\.', r'(?=\d+\.)'), # 匹配 '1.' (r'[一二三四五六七八九十]、', r'(?=[一二三四五六七八九十]、)'), # 匹配 '一、'、'二、' 等 (r'[一二三四五六七八九十]\.', r'(?=[一二三四五六七八九十]\.)') # 匹配 '一.'、'二.' 等 ] # 初始化用于保存最早匹配到的模式及其位置 first_match = None first_match_position = len(value) # 初始值设为文本长度，确保任何匹配都会更新它 # 遍历所有模式，找到第一个出现的位置 for search_pattern, split_pattern_candidate in patterns: match = re.search(search_pattern, value) if match: # 如果这个匹配的位置比当前记录的更靠前，更新匹配信息 if match.start() < first_match_position: first_match = split_pattern_candidate first_match_position = match.start() # 如果找到了最早出现的匹配模式，使用它来分割文本 if first_match: blocks = re.split(first_match, value) else: # 如果没有匹配的模式，保留原文本 blocks = [value] processed_blocks = [] for block in blocks: if not block: continue # 计算中英文字符总数，如果大于50，则加入列表 if block and len(re.findall(r'[\u4e00-\u9fff\w]', block)) >= 50: processed_blocks.append(block.strip()) else: # 如果发现有块长度小于50，返回原数据 return value # 如果所有的块都符合条件，返回分割后的列表 return processed_blocks # 递归地处理嵌套结构 def process_nested_data(data): # 先检查是否所有值都是 ""、"/" 或空列表 if isinstance(data, dict) and all(v == "" or v == "/" or (isinstance(v, list) and not v) for v in data.values()): return list(data.keys()) # 递归遍历字典，处理最内层的字符串 if isinstance(data, dict): # 如果当前项是字典，继续递归遍历其键值对 result = {} for key, value in data.items(): result[key] = process_nested_data(value) # 递归处理子项 return result elif isinstance(data, list): # 如果是列表，直接返回列表，保持原样 return data else: # 到达最内层，处理非字典和非列表的元素（字符串） return post_process(data) # 读取JSON数据，提取内容，转换结构，并打印结果 def extract_from_notice(clause_path, type): if type == 1: target_values = ["投标文件","响应文件","响应性文件"] elif type == 2: target_values = ["开标", "评标", "定标","磋商程序","中标","程序","步骤"] elif type == 3: target_values = ["重新招标、不再招标和终止招标", "重新招标", "不再招标", "终止招标"] elif type == 4: target_values = ["评标"] #测试 else: raise ValueError("Invalid type specified. Use 1 for '投标文件, 投标' or 2 for '开标, 评标, 定标'or 3 for '重新招标'") with open(clause_path, 'r', encoding='utf-8') as file: data = json.load(file) extracted_data = extract_between_sections(data, target_values) # 读取json transformed_data=process_with_outer_key(extracted_data) final_result=process_nested_data(transformed_data) return final_result #TODO: 再审视一下zbtest20的处理是否合理 if __name__ == "__main__": file_path = 'C:\\Users\\Administrator\\Desktop\\招标文件\\' try: res = extract_from_notice(file_path, 1) # 可以改变此处的 type 参数测试不同的场景 res2=json.dumps(res,ensure_ascii=False,indent=4) print(res2) except ValueError as e: print(e)