diff --git a/server/knowledge_base/utils.py b/server/knowledge_base/utils.py index 2bcb353..2c465f8 100644 --- a/server/knowledge_base/utils.py +++ b/server/knowledge_base/utils.py @@ -370,7 +370,10 @@ class KnowledgeFile: if not docs: return [] - #先给二级下 被分开的三级目录分块 增加二级标题，再给分开的二级目录增加一级标题，然后给整个文档的所有分块增加文档标题分块 + #先给三级下 被分开的四级目录分块 增加三级标题， + #再给二级下 被分开的三级目录分块 增加二级标题， + #再给分开的二级目录增加一级标题， + #然后给整个文档的所有分块增加文档标题分块 if zh_title_enhance: docs = zh_third_title_enhance(docs) docs = zh_second_title_enhance(docs) diff --git a/text_splitter/chinese_recursive_text_splitter.py b/text_splitter/chinese_recursive_text_splitter.py index 78f8e55..16f394b 100644 --- a/text_splitter/chinese_recursive_text_splitter.py +++ b/text_splitter/chinese_recursive_text_splitter.py @@ -80,8 +80,8 @@ class ChineseRecursiveTextSplitter(RecursiveCharacterTextSplitter): text = re.sub(r'(\n+(（一）|（二）|（三）|（四）|（五）|（六）|（七）|（八）|（九）|（十）|（十一）|（十二）|（十三）|（十四）|（十五）|（十六）|（十七）|（十八）|（十九）|（二十）))', r"\n\n\n\n\n\n\1", text) text = re.sub(r'(\n+(\(一\)|\(二\)|\(三\)|\(四\)|\(五\)|\(六\)|\(七\)|\(八\)|\(九\)|\(十\)|\(十一\)|\(十二\)|\(十三\)|\(十四\)|\(十五\)|\(十六\)|\(十七\)|\(十八\)|\(十九\)|\(二十\)))', r"\n\n\n\n\n\n\1", text) - #四级目录 - text = re.sub(r'(\n+(? bool: - # 文本长度为0的话或长度大于25，肯定不是title - if len(text) == 0 and len (text)>= 25: + # 文本长度为0,肯定不是title + if len(text) == 0: print("Not a title. Text is empty or longer than 25.") return "" @@ -16,8 +16,7 @@ def get_fist_level_title( ENDS_IN_PUNCT_RE = re.compile(ENDS_IN_PUNCT_PATTERN) if ENDS_IN_PUNCT_RE.search(first_line) is not None: return "" - - FIRST_TITLE = r'((? str: # 文本长度为0的话，肯定不是title - if len(text) == 0 and len (text)>= 25: + lenght = len(text) + if lenght == 0: print("Not a title. Text is empty or longer than 25.") return "" @@ -39,7 +39,12 @@ def get_second_level_title( ENDS_IN_PUNCT_RE = re.compile(ENDS_IN_PUNCT_PATTERN) if ENDS_IN_PUNCT_RE.search(first_line) is not None: return "" - + + #3 **** + #3.1 ***** + #3.1.1 ***** + #另一个分块 + #3.1.2 ***** 所以二级目录可能在第二行 和第一行 Second_TITLE = r'((? str: # 文本长度为0的话，肯定不是title - if len(text) == 0 and len (text)>= 25: + if len(text) == 0: print("Not a title. Text is empty or longer than 25.") return "" @@ -104,7 +109,13 @@ def get_third_level_title( ENDS_IN_PUNCT_RE = re.compile(ENDS_IN_PUNCT_PATTERN) if ENDS_IN_PUNCT_RE.search(first_line) is not None: return "" - + + #3 **** + #3.1 ***** + #3.1.1 ***** + #3.1.1.1 ***** + #另一个分块 + #3.1.1.2 ***** 所以三级级目录可能在第三行 和第二行及第一行 Third_TITLE = r'((?2: + Second_line = splitlines[2] + if TITLE_PUNCT_RE.search(Second_line) is not None: + return Second_line + return "" #judge if it is 4th level content @@ -162,7 +179,6 @@ def zh_third_title_enhance(docs: Document) -> Document: #给三级被分开的内容 增加二级标题 def zh_second_title_enhance(docs: Document) -> Document: title = None - print(f"zh_second_title_enhance ....") if len(docs) > 0: for doc in docs: print(f"zh_second_title_enhance: {doc}") @@ -188,26 +204,29 @@ def zh_first_title_enhance(docs: Document) -> Document: title = None if len(docs) > 0: for doc in docs: + print(f"zh_first_title_enhance: {doc}") first_title = get_fist_level_title(doc.page_content) if first_title: title = first_title + print(f"title: {title}") elif title: temp_second_content = is_second_level_content(doc.page_content) if temp_second_content: + print(f"is_second_level_content : {temp_second_content}") doc.page_content = f"{title} {doc.page_content}" else: title = None + print(f"final title: {title}") return docs else: print("zh_first_title_enhance 文件不存在") if __name__ == "__main__": - str = """8.1.3 采购过程\n为统筹资产管理相关的采购需求，统一设备采购标准，保障采购的产品和服务的质量，应策划、实 施和控制电网实物资产相关的采购过程。采购过程包括招标采购、仓储配送及到货验收等。对产品和服 务的采购以及供应商的选择等，应按照 8.3 外包的要求进行管理。策划、实施和控制时应满足：\na) 应统计和分析建设、运维阶段的设备质量信息，如设备缺陷信息、故障信息及使用寿命等，用 于指导设备采购标准的制定。应系统性评估企业的采购需求以及内外部机会，确定采购策略， 从而降低企业的整体成本，发挥企业的内外部优势，如实施战略采购、超市化采购等；\nb) 库存物资应进行统一管理，建立包含不同业务形成的实物库存的台账，如利用 ERP 系统建立库 存物资“一本账 ”，准确反映实体仓库内库存实物信息。应根据合同交付和物资使用的要求， 统一进行物资配送的调度和协调，以满足安全、准时、快捷、服务优质等要求；\nc) 应综合考虑设备的价值、重要性、复杂性等因素，确定监造设备范围（如变压器、换流变、串\nQ/GDW 12219—2022\n联补偿装置、换流阀等）和监造方式（如驻厂监造、关键点见证等）；物资抽检应覆盖所有供 应商及所有物资类别；现场验收应按照策划的方式进行。应保留监造、抽检和现场验收相关的 文件和过程控制记录。' metadata={'source': '/home/bns001/Langchain-Chatchat_0.2.9/knowledge_base/test/content/资产全寿命周期管理体系实施指南.docx'} -title: 为统筹资产管理相关的采购需求，统一设备采购标准，保障采购的产品和服务的质量，应策划、实 施和控制电网实物资产相关的采购过程。采购过程包括招标采购、仓储配送及到货验收等。对产品和服 务的采购以及供应商的选择等，应按照 8.3 外包的要求进行管理。策划、实施和控制时应满足： -""" - title = is_third_level_content(str) + str = """1 总 则\n1.1 本导则是编制和审查城市电力网(以下简称城网)规划的指导性文件，其 适用范围为国家电网公司所属的各网省公司、城市供电公司。\n1.2 城网是城市行政区划内为城市供电的各级电压电网的总称。城网是电力系 统的主要负荷中心，作为城市的重要基础设施之一，与城市的社会经济发展密切 相关。各城市应根据《中华人民共和国城市规划法》和《中华人民共和国电力法》 的相关规定，编制城网规划，并纳入相应的城市总体规划和各地区详细规划中。\n1.3 城网规划是城市总体规划的重要组成部分，应与城市的各项发展规划相互 配合、同步实施，做到与城市规划相协调，落实规划中所确定的线路走廊和地下 通道、变电站和配电室站址等供电设施用地。\n1.4 城网规划的目的是通过科学的规划，建设网络坚强、结构合理、安全可靠、 运行灵活、节能环保、经济高效的城市电网，不断提高城网供电能力和电能质量， 以满足城市经济增长和社会发展的需要。 ' metadata={'source': '/home/bns001/Langchain-Chatchat_0.2.9/knowledge_base/test/content/资产全寿命周期管理体系实施指南.docx'}""" + title = get_fist_level_title(str) print(title) - #title = get_second_level_title(str) - #print(title) + + + #zh_second_title_enhance() \ No newline at end of file