File size: 8,588 Bytes
94fd0b0 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 | """
霜云(Shimokumo) - 辅助函数模块
提供文本处理、时间格式化、文件操作等通用工具函数。
"""
import json
import os
import re
import uuid
from datetime import datetime, timedelta
from typing import Any, Dict, List, Optional, Union
def format_timestamp(
dt: Optional[datetime] = None,
fmt: str = "%Y-%m-%d %H:%M:%S",
) -> str:
"""
格式化时间戳。
Args:
dt: datetime对象,为None则使用当前时间
fmt: 格式化字符串
Returns:
格式化后的时间字符串
Example:
>>> format_timestamp()
'2026-07-06 12:00:00'
"""
if dt is None:
dt = datetime.now()
return dt.strftime(fmt)
def format_duration(seconds: float) -> str:
"""
将秒数格式化为人类可读的时长字符串。
Args:
seconds: 秒数
Returns:
格式化的时长字符串,如 "2小时30分15秒"
"""
if seconds < 0:
return "0秒"
seconds = int(seconds)
days, seconds = divmod(seconds, 86400)
hours, seconds = divmod(seconds, 3600)
minutes, seconds = divmod(seconds, 60)
parts: List[str] = []
if days > 0:
parts.append(f"{days}天")
if hours > 0:
parts.append(f"{hours}小时")
if minutes > 0:
parts.append(f"{minutes}分")
if seconds > 0 or not parts:
parts.append(f"{seconds}秒")
return "".join(parts)
def truncate_text(text: str, max_length: int = 500, suffix: str = "...") -> str:
"""
截断文本到指定长度。
Args:
text: 原始文本
max_length: 最大长度
suffix: 截断后缀
Returns:
截断后的文本
Example:
>>> truncate_text("这是一段很长的文本", max_length=5, suffix="...")
'这是一段很...'
"""
if len(text) <= max_length:
return text
return text[: max_length - len(suffix)] + suffix
def count_tokens_estimate(text: str) -> int:
"""
粗略估算文本的token数量。
对于中文,大约每个字符对应1-2个token;
对于英文,大约每4个字符对应1个token。
Args:
text: 输入文本
Returns:
估算的token数量
"""
if not text:
return 0
chinese_chars = len(re.findall(r"[\u4e00-\u9fff]", text))
other_chars = len(text) - chinese_chars
# 中文约1.5 token/字,英文约0.25 token/字符
return int(chinese_chars * 1.5 + other_chars * 0.25)
def safe_json_loads(text: str, default: Any = None) -> Any:
"""
安全地解析JSON字符串。
Args:
text: JSON字符串
default: 解析失败时返回的默认值
Returns:
解析后的Python对象,或默认值
"""
try:
return json.loads(text)
except (json.JSONDecodeError, TypeError, ValueError):
return default
def safe_json_dumps(obj: Any, indent: int = 2, ensure_ascii: bool = False) -> str:
"""
安全地将Python对象序列化为JSON字符串。
Args:
obj: 要序列化的对象
indent: 缩进空格数
ensure_ascii: 是否转义非ASCII字符
Returns:
JSON字符串
"""
try:
return json.dumps(obj, indent=indent, ensure_ascii=ensure_ascii)
except (TypeError, ValueError) as e:
return f"{{\"error\": \"JSON序列化失败: {str(e)}\"}}"
def ensure_directory(path: str) -> str:
"""
确保目录存在,不存在则创建。
Args:
path: 目录路径
Returns:
目录的绝对路径
"""
abs_path = os.path.abspath(path)
os.makedirs(abs_path, exist_ok=True)
return abs_path
def read_file_content(file_path: str, encoding: str = "utf-8") -> Optional[str]:
"""
读取文件内容。
Args:
file_path: 文件路径
encoding: 文件编码
Returns:
文件内容字符串,失败返回None
"""
try:
with open(file_path, "r", encoding=encoding) as f:
return f.read()
except (IOError, OSError) as e:
return None
def write_file_content(
file_path: str,
content: str,
encoding: str = "utf-8",
) -> bool:
"""
写入文件内容。
Args:
file_path: 文件路径
content: 要写入的内容
encoding: 文件编码
Returns:
是否写入成功
"""
try:
dir_path = os.path.dirname(file_path)
if dir_path:
os.makedirs(dir_path, exist_ok=True)
with open(file_path, "w", encoding=encoding) as f:
f.write(content)
return True
except (IOError, OSError) as e:
return False
def generate_unique_id(prefix: str = "") -> str:
"""
生成唯一ID。
Args:
prefix: ID前缀
Returns:
带前缀的唯一ID字符串
Example:
>>> generate_unique_id("chat")
'chat_3fa85f64-5717-4562-b3fc-2c963f66afa6'
"""
uid = str(uuid.uuid4())[:8]
if prefix:
return f"{prefix}_{uid}"
return uid
def clean_html_text(html: str) -> str:
"""
清理HTML标签,提取纯文本。
Args:
html: HTML字符串
Returns:
清理后的纯文本
"""
# 移除script和style标签及其内容
text = re.sub(r"<script[^>]*>[\s\S]*?</script>", "", html, flags=re.IGNORECASE)
text = re.sub(r"<style[^>]*>[\s\S]*?</style>", "", text, flags=re.IGNORECASE)
# 移除所有HTML标签
text = re.sub(r"<[^>]+>", "", text)
# 解码HTML实体
text = text.replace(" ", " ")
text = text.replace("<", "<")
text = text.replace(">", ">")
text = text.replace("&", "&")
text = text.replace(""", '"')
text = text.replace("'", "'")
# 合并多余空白
text = re.sub(r"\s+", " ", text).strip()
return text
def extract_urls(text: str) -> List[str]:
"""
从文本中提取URL列表。
Args:
text: 输入文本
Returns:
URL列表
"""
url_pattern = r"https?://[^\s<>\"]+|[a-zA-Z0-9-]+\.[a-zA-Z]{2,}[^\s<>\"]*"
return re.findall(url_pattern, text)
def chunk_text(
text: str,
chunk_size: int = 1000,
overlap: int = 100,
) -> List[str]:
"""
将长文本按段落分块。
Args:
text: 输入文本
chunk_size: 每块最大字符数
overlap: 块间重叠字符数
Returns:
文本块列表
"""
if len(text) <= chunk_size:
return [text]
chunks: List[str] = []
start = 0
while start < len(text):
end = start + chunk_size
# 尝试在句号、换行等处断句
if end < len(text):
for sep in ["\n", "。", ".", "!", "!", "?", "?"]:
sep_pos = text.rfind(sep, start + chunk_size // 2, end)
if sep_pos > start:
end = sep_pos + 1
break
chunks.append(text[start:end])
start = end - overlap
return chunks
def calculate_similarity(text1: str, text2: str) -> float:
"""
计算两段文本的简单相似度(基于字符重叠)。
Args:
text1: 文本1
text2: 文本2
Returns:
相似度分数 (0.0 ~ 1.0)
"""
if not text1 or not text2:
return 0.0
set1 = set(text1.lower())
set2 = set(text2.lower())
intersection = set1 & set2
union = set1 | set2
if not union:
return 1.0
return len(intersection) / len(union)
def is_media_url(url: str) -> Dict[str, Any]:
"""
检测URL是否为媒体资源URL,并识别媒体类型。
Args:
url: 要检测的URL
Returns:
包含媒体信息的字典,如 {"is_media": True, "type": "video", "format": "mp4"}
"""
media_extensions = {
"video": {
"mp4", "avi", "mkv", "mov", "wmv", "flv", "webm", "m4v", "ts", "3gp"
},
"audio": {
"mp3", "wav", "flac", "aac", "ogg", "wma", "m4a", "opus", "ape", "alac"
},
"image": {
"jpg", "jpeg", "png", "gif", "webp", "bmp", "svg", "ico", "tiff"
},
}
# 提取文件扩展名
ext_match = re.search(r"\.(\w+)(?:\?|$)", url.lower())
if not ext_match:
return {"is_media": False}
ext = ext_match.group(1)
for media_type, extensions in media_extensions.items():
if ext in extensions:
return {
"is_media": True,
"type": media_type,
"format": ext,
}
return {"is_media": False}
|