import re from extractor import Extractor from configs.basic_config import logger class IdentityCardExtractor(Extractor): def extract_text(self, text:str)->dict: try: patterns = { "issuingAuthority": r"签发机关\n(.+?)\n", "validTime": r"有效期限\n(.+?)\n", "name": r"(\S+)\n(?:男|女)", "gender": r"(\S+)民族", "ethnicity": r"民族(\S+)", "dateOfBirth": r"(\d+年\d+月\d+日)", "address": r"(住址|佳址)\s*(.*?)公民身份号码", "idNumber": r"(\d{18}|\d{17}[Xx])" } tempText = self.remove_blank_lines(text) # 提取信息 info = {} for key, pattern in patterns.items(): match = re.search(pattern, tempText,re.DOTALL) if match: if "address" == key: tempStr = match.group(2).strip() else: tempStr = match.group(1).strip() info[key] = tempStr.replace("\n", "") return info except Exception as e: print(e) logger.error(e) return {} # def extract_textbyPaddle(self, text:str)->dict: # try: # patterns = { # "issuingAuthority": r"签发机关\n*(.+?)\n", # "validTime": r"有效期限\n*(.+?)\n", # "name": r"姓名(.*?)\n", ##### # "gender": r"(\S)民族", # "ethnicity": r"民族(\S+)", # "dateOfBirth": r"(\d+年\d+月\d+日)", # "address": r"(住址|佳址)\s*(.*?)公民身份号码", # "idNumber": r"(\d{18}|\d{17}[Xx])" # } # # tempText = self.remove_blank_lines(text) # # 提取信息 # info = {} # for key, pattern in patterns.items(): # match = re.search(pattern, tempText,re.DOTALL) # if match: # if "address" == key: # tempStr = match.group(2).strip() # else: # tempStr = match.group(1).strip() # info[key] = tempStr.replace("\n", "") # return info # except Exception as e: # print(e) # logger.error(e) # return {} def extract_textbyPaddle(self, text:str)->dict: try: result = { "issuingAuthority": "", "validTime": "", "name": "", "gender": "", "ethnicity": "汉", "dateOfBirth": "", "address": "", "idNumber": ""} # 提取签发机关 issuing_authority = re.search(r"(签发机关|签发机美)\n*(.+?)\n", text, re.DOTALL) if issuing_authority: tempAuthority = issuing_authority.group(2).strip() if "公安局" not in tempAuthority: issuing_authority = re.search(r"(\S+)\n*(签发机关|签发机美)\n", text, re.DOTALL) if issuing_authority: result["issuingAuthority"] = issuing_authority.group(1).strip() else: result["issuingAuthority"] = issuing_authority.group(2).strip() # 提取有效期限 valid_time = re.search(r"有效期限\n*(\d{4}\.\d{2}\.\d{2}-\S+)", text, re.DOTALL) if valid_time: result["validTime"] = valid_time.group(1).strip() # 提取姓名 name = re.search(r"姓名\s*(.*?)\n", text,re.DOTALL) if name: tempName = name.group(1).strip() if tempName in "性别男" or tempName in "性别女" or "性别男" in tempName or "性别女" in tempName or tempName.isupper() or tempName.islower(): name = re.search(r"(\S+)\s*姓名", text, re.DOTALL) result["name"] = name.group(1).strip() else: result["name"] = name.group(1).strip() else: name = re.search(r"米名(\S*)址\s*(\S+)", text, re.DOTALL) if name: result["name"] = name.group(2).strip() else: name = re.search(r"名\s*(\S+)\s*姓\s*", text, re.DOTALL) if name: result["name"] = name.group(1).strip() else: name = re.search(r"(\S+)\s*(男|女|性别)", text, re.DOTALL) if name: result["name"] = name.group(1).strip() tempName = result["name"] if tempName.startswith("名"): result["name"] = tempName[len("名"):] # 提取民族 ethnicity = re.search(r"民\s*(族|旅)\s*(\S+)", text, re.DOTALL) if ethnicity: result["ethnicity"] = ethnicity.group(2).strip() # 提取地址 address = re.search(r"(住址|佳址)(.*?)公民身份号码", text, re.DOTALL) if address: result["address"] = address.group(2).strip().replace("\n", "") else: address = re.search(r"(\S+省)(.*?)公民身份号码", text, re.DOTALL) if address: result["address"] = address.group(1).strip().replace("\n", "") + address.group(2).strip().replace("\n", "") else: address = re.search(r"(\S+市)(.*?)公民身份号码", text, re.DOTALL) if address: result["address"] = address.group(1).strip().replace("\n", "") + address.group(2).strip().replace("\n", "") else: address = re.search(r"(\S+县)(.*?)公民身份号码", text, re.DOTALL) if address: result["address"] = address.group(1).strip().replace("\n", "") + address.group(2).strip().replace("\n", "") if result["address"]: result["address"] = re.sub(r'[A-Z]', '', result["address"]) pattern = r"\d+[号组室房]" # 匹配数字+号、数字+组、数字+室、数字+房 的最后一个匹配项 tempAddress = result["address"] matchAddress = None for m in re.finditer(pattern, tempAddress): matchAddress = m if matchAddress: index = matchAddress.end() # 获取匹配项的结束位置 result["address"] = tempAddress[:index] # 截取匹配项及之前的字符串 #去掉地址后面的 else: pattern = r"\d{18,}$" # 匹配1位以上的数字结尾 result["address"] = re.sub(pattern, "", result["address"]) # 提取身份证号码 id_number = re.search(r"([123456]\d{17}|[123456]\d{16}[Xx])", text, re.DOTALL) if id_number: result["idNumber"] = id_number.group(1).strip() if result["idNumber"]: # 提取出生日期 result["dateOfBirth"] = self.extract_birthday_from_id(result["idNumber"]) # 提取性别 result["gender"] = self.get_gender_from_id(result["idNumber"]) return result except Exception as e: print(e) logger.error(e) return {} class InvoiceExtractor(Extractor): def extract_text(self,text:str)->dict: pass # text = """中华人民共和国 # 居民身份证 # 签发机关合肥市公安局庐阳分局 # 有效期限 # 2022.07.10-长期 # 姓名陈玉振 # 性别男 # 民族汉 # 出生1973年6月19日 # 佳址安徽省合肥市庐阳区固镇 # 路3150号森林城A6地块1 # 幢2001室 # 公民身份号码 # 440203197306192118""" # text = """ # 中华人民共和国 # 居民身份证 # oo # 签发机关宿州市公安局桥分局 # 有效期限2023.01.18-2043.01.18 # 姓名郭乾坤 # 性别男民族汉 # 出生1994年10月17日 # 住址 安徽省宿州市场桥区朱仙 # 庄镇郭庙村郭家组6号 # 公民身份号码 # 34220119941017327X # """ # text = """中华人民共和国 # 居民身份证 # 签发机关 # 盐源县公安局 # 出 # 有效期限 # 2013.06.18-2033.06.18 # 坐姓5性中出住 # 米名年别到生委址 # 江六斤 # 男民族彝 # 半口 # 1980 # 年4月20日 # 四川省盐源县盖租乡阿石 # 村6组4号 # 公民身份号码 # 513423198004203995 # # """ # # text = """姓名韩邀宇 # 性别男 # 民族汉 # 出生 # 1999年12月15日 # 住址 # 安徽省太和县税镇镇十里 # 沟村委会中韩村16号 # 公民身份号码 # 34122219991215183X""" # # text = """中华人民共和国 # 居民身份证 # 签发机关 # 木里县公安局 # 有效期限 # 2016.12.05-2026.12.05 # 姓性出住 # 马加加 # 女 # 民族彝 # 1998年1月2日 # 址 # 四川省木里藏族自治县博 # 科乡八科村麻窝地组18号 # 公民身份号码 # 513422199801023821""" # text = """ # 毛阿卡 # 姓名 # 性别男 # 民族彝 # 3 # 出生 # 1976年3月3日 # 住址 # 四川省木里藏族自治县耗 # 牛坪乡泥珠村下泥珠组55 # 号 # 中国LHINA # 公民身份号码 # 513423197603033997 # 中华人民共和国 # 居民身份证 # 签发机关 # 木里县公安局 # 有效期限 # 2017.06.06-2037.06.06 # """ # text = """中华人民共和国 # 居民身份证 # 国 # 签发机关 # 西昌市公安局 # 有效期限 # 2008.09.01-2028.09.01 # 逆姓5性中出日住 # 米名丰别刺生更址 # 祝九根惹 # 心 # 民 # 族彝 # 男 # E # 1978 # 四川省西昌市磨盘乡大厂 # 村4组27号 # 公民身份号码 # 513401197807087411 # """ # text = """中华人民共和国 # 居民身份证 # 签发机关 # 木里县公安局 # 有效期限 # 2020.03.16-2025.03.16 # 名 # 蒋子古 # 姓 # 男 # 民族彝 # 出生 # 2005年1月4日 # 住址 # 四川省木里藏族自治县耗 # 牛坪乡泥珠村5组29号 # 公民身份号码 # 513422200501044415 # """ # # text = """姓名苏龙格德·胡尔查巴特尔 # 性别男民族蒙古 # 出生1973年10支月27日 # 内蒙古赤峰市巴林右旗沙布 # 台苏木树中嘎查 # 中华人民共和国 # 居民身份证 # 签发机关巴林右旗公安局 # 有效期限2004.10.27-2024.10.26""" # text ="""唐昌梅 # 姓名 # 性别女民族苗 # 出生1975年8月15日 # 住址 # 湖南省常德市鼎城区双桥 # 坪镇全家坪村3组 # 公民身份号码 # 433030197508150820""" # text = """姓5性乎出日住 # 米名丰别生更址 # 张亮 # 男 # 民族彝 # 1975 # 年11月27日 # 四川省西昌市樟木箐乡中 # 安村1组29号附1号 # 公民身份号码 # 513401197511274218 # 中华人民共和国 # 居民身份证 # 国水 # 西昌市公安局 # 签发机关 # 有效期限 # 2017.08.21-2037.08.21""" # text = """中华人民共和国 # 居民身份证 # 签发机关 # 宁乡县公安局 # 有效期限 # 2008.10.28-2028.10.28 # 姓名刘放华 # 性别男民族汉 # 出生1970年5月13日 # 住址 # 湖南省宁乡县流沙河镇荷 # 林村10组 # 8430124197005132917 # 公民身份号码""" # # text = """中华人民共和国 # 居民身份证 # 签发机关醴陵市公安局 # 有效期限2007.07.02-2027.07.02 # 和 # 姓名朱建明 # 致签 # 性别男民族汉 # 出生1970年11月9日 # 劳 # 住址 # 湖南省醴陵市西山办事处 # 动 # 滴水井村樟树组7号 # 23 # 公民身份号码 # 430281197011090090""" # text = """中华人民共和国 # 居民身份证 # 签发机关湘乡市公安局 # 有效期限2016.01.25-2036.01.25 # 名李绍光 # 性别男 # 民族汉 # 出 # 生 # 1983年11月24日 # 住址 # 湖南省湘乡市山枣镇龙泉 # 村峡山口村民组156号 # 公民身份号码 # 43038119831124301X""" # extractor = IdentityCardExtractor() # jsonstring = extractor.extract_textbyPaddle(text) # print(jsonstring) # text = """ # 姓名张三 # 性别男 # 民族汉 # # """ # text = """ # 江六斤 # 女民族彝 # """ # # 尝试使用 r"性别(\S)" 匹配性别 # gender_match = re.search(r'性别(\S)|(\S)民族', text) # if gender_match: # gender = gender_match.group(0) # print("性别是:", gender) # # else: # # # 如果匹配不到，尝试使用 r"(\S)民族" 匹配 # # gender_match = re.search(r'(\S)民族', text) # # if gender_match: # # gender = gender_match.group(1) # # print("性别是:", gender) # else: # print("未找到性别信息")