192 lines
7.6 KiB
Python
192 lines
7.6 KiB
Python
# common.py
|
||
|
||
import re
|
||
from functools import cmp_to_key
|
||
|
||
def compare_headings(a, b):
|
||
"""
|
||
比较两个标题，用于排序。
|
||
"""
|
||
a_nums = [int(num) for num in a[0].rstrip('.').split('.') if num.isdigit()]
|
||
b_nums = [int(num) for num in b[0].rstrip('.').split('.') if num.isdigit()]
|
||
return (a_nums > b_nums) - (a_nums < b_nums)
|
||
|
||
def preprocess_data(data):
|
||
"""
|
||
预处理数据，自动添加缺失的父层级键，并按数字顺序排序。
|
||
"""
|
||
keys_to_add = set()
|
||
for key in data.keys():
|
||
parts = key.split('.')
|
||
if len(parts) > 1:
|
||
parent_key = parts[0] + '.'
|
||
if parent_key not in data:
|
||
keys_to_add.add(parent_key)
|
||
|
||
# 添加缺失的父层级键
|
||
for parent_key in keys_to_add:
|
||
data[parent_key] = parent_key.rstrip('.')
|
||
|
||
# 对键进行排序
|
||
sorted_data = dict(sorted(data.items(), key=cmp_to_key(compare_headings)))
|
||
|
||
return sorted_data
|
||
|
||
def transform_json(data):
|
||
"""
|
||
转换结构化的JSON数据。
|
||
"""
|
||
result = {}
|
||
temp = {0: result} # 初始化根字典
|
||
data = preprocess_data(data)
|
||
# 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
|
||
# 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)
|
||
|
||
def post_process(value):
|
||
"""
|
||
处理字符串，将其根据特定的序号模式分割成列表，每个块至少包含50个字符。
|
||
"""
|
||
# 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
|
||
|
||
def process_nested_data(data):
|
||
"""
|
||
递归处理嵌套的数据结构（字典和列表）。
|
||
对最内层的字符串值应用 post_process 函数。
|
||
post_process 函数尝试将长字符串按特定模式分割成块，每块至少包含50个中英文字符。
|
||
如果字典中所有值都是 ""、"/" 或空列表，则返回'键'的列表。
|
||
"""
|
||
# 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():
|
||
processed_value = process_nested_data(value)
|
||
# 如果处理后的值是只有一个元素的列表，就直接使用该元素
|
||
if isinstance(processed_value, list) and len(processed_value) == 1:
|
||
result[key] = processed_value[0]
|
||
else:
|
||
result[key] = processed_value
|
||
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)
|