BIDI_EXTRACTION_AI/BiddingKG/dl/template_extract/templates/DX000002/template32.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 CandidateInfoTemplate(AbstractTemplate):
    """
    候选人信息提取模板
    适配包含成交候选人信息的表格提取
    """

    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9列）
            if len(datas[0]) != 9:
                print("表头数量异常；", len(datas[0]))
                return False

            # 表头内容正则匹配（泛化类似表达）
            header_patterns = [
                '序号|编号',  # 第1列：序号相关
                '标的(名称)?',  # 第2列：标的相关
                '标包|标段|包(名称)?',  # 第3列：标包相关
                '(成交|中标|投标)?人?候选(人|单位)?(排序|排名|名次)|排名顺序|名次排序',  # 第4列：排序相关
                '(成交|中标|投标)?候选(人|单位)(名称)?',  # 第5列：候选人名称相关
                '(响应报价|投标报?价|报价|参选价|中标价)(（万?元）)?',  # 第6列：报价相关
                '质量(标准|要求)?',  # 第7列：质量相关
                '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：工期相关
                '资格(能力)?(条件|要求)|资质(条件|要求)',  # 第9列：资格条件相关
            ]

            # 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]:
        """提取表格中的候选人信息"""
        extract_result = {
            "招标信息": [],
            "中标信息": [],
            "候选人信息": []
        }

        # 提取候选人信息（根据规则有排名只返回候选人信息）
        for row in self.data:
            if len(row) != 9:
                continue

            # 解析每行数据
            seq, subject, package, rank, candidate, price, _, _, _ = row

            # 补充报价单位（如果表头有单位而内容没有）
            if re.search('[万亿千百十]?[元角分]|(万|千|百)元', self.header[5]) and not re.search('[万亿千百十]?[元角分]|(万|千|百)元', price):
                unit = re.search('[万亿千百十]?[元角分]|(万|千|百)元', self.header[5]).group(0)
                price += unit

            # 整理候选人信息
            candidate_info = {
                "标的": subject,
                "标包": package,
                "候选人": candidate,
                "投标价": price,
                "排名": rank
            }
            extract_result["候选人信息"].append(candidate_info)

        # 招标信息无招标人或预算，置空列表
        extract_result["招标信息"] = []
        # 有排名信息，中标信息置空列表
        extract_result["中标信息"] = []

        return extract_result


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

    # 读取并解析数据文件
    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 = CandidateInfoTemplate()
    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")