BIDI_EXTRACTION_AI/BiddingKG/dl/template_extract/templates/DX000002/template1.py

# coding:utf8

import re
from typing import Dict, Any
from BiddingKG.dl.template_extract.abstract_template import AbstractTemplate, table2list
import os
import json


class BudgetTemplate(AbstractTemplate):
    """
    招标信息提取模板（适配多列表格场景）
    适配包含"预算、招标人"列的招标信息表格提取
    """

    def __init__(self):
        super().__init__(
            template_id=os.path.abspath(__file__),
            priority=3
        )

    def check_call_timing(self, preprocessed_data: Dict[str, Any]) -> bool:
        """检查是否符合模板调用条件"""
        if "表格列表" not in preprocessed_data:
            return False

        tables = preprocessed_data["表格列表"]
        if len(tables) < 1:
            return False

        try:
            datas = tables[0]
            # 验证表头列数（目标表格为8列）
            if len(datas[0]) != 8:
                print("表头数量异常；", len(datas[0]))
                return False

            # 表头内容正则匹配（适配包含"中标比例"的表格结构）
            header_patterns = [
                '序号',  # 第1列：序号
                '标的(名称)?',  # 第2列：标的
                '(预算|概算|招标)金额(（[万亿美欧日]?元）)?',  # 第3列：预算
                '最大中标数量',  # 第4列：中标数量
                '标包号',  # 第5列：标包号
                '标包|标段|包名称',  # 第6列：标包名称
                '(最高限价|拦标价)(（[万亿美欧日]?元）)?',  # 第7列：限价
                '服务期/工期|工期/服务期|工期/交货期|交货期/工期|服务期|工期|交货期',  # 第8列：工期/交货期
            ]

            # 逐列验证表头
            for i, pattern in enumerate(header_patterns):
                if not re.fullmatch(pattern, datas[0][i]):
                    print('表头未验证： ', pattern, datas[0][i])
                    return False

            # 确保表格有数据行
            if len(datas) < 2:
                return False

            self.header = datas[0]
            self.data = datas[1:]
            return True
        except Exception as e:
            print(f"表格验证错误: {e}")
            return False

    def extract(self, preprocessed_data: Dict[str, Any]) -> Dict[str, Any]:
        """提取表格中的招标信息、中标信息、候选人信息
        """
        extract_result = {"招标信息": []}
        for row in self.data:
            # 跳过列数异常的行
            if len(row) != 8:
                continue

            # 解析每行数据（适配10列结构）
            seq, subject, budget, quantity, number, package, limited_price, _ = row

            # 补充报价单位（如果表头有单位而内容没有）
            if re.search('[万亿美欧日]?元', self.header[2]) and not re.search('[万亿美欧日]?元', budget):
                budget += re.search('[万亿美欧日]?元', self.header[2]).group(0)
            if re.search('[万亿美欧日]?元', self.header[6]) and not re.search('[万亿美欧日]?元', limited_price):
                limited_price += re.search('[万亿美欧日]?元', self.header[6]).group(0)

            # 整理信息（保持与原模板一致的输出格式）
            extract_result["招标信息"].append({
                "标的": subject,
                "标包": package,
                "预算": budget,
                "限价": limited_price,
            })

        return extract_result


# 使用示例
if __name__ == "__main__":
    from lxml import etree

    # 读取并解析HTML文件
    with open("data.json", "r", encoding="utf8") as f:
        preprocessed_data = json.load(f)

    # 初始化模板并提取信息
    template = BudgetTemplate()
    if template.check_call_timing(preprocessed_data):
        result = template.extract(preprocessed_data)
        print("提取结果：", result)
    else:
        print("当前数据不满足模板调用条件")