Datasets:
File size: 7,006 Bytes
4f3e1b4 |
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 |
import re
from typing import List, Dict, Optional, Set
from bs4 import BeautifulSoup
from forum_parser import InfostartForumParser
import csv
import os
import logging
logger = logging.getLogger(__name__)
class ThinkModelForumParser(InfostartForumParser):
def __init__(self, csv_file: str = 'think_model_dataset.csv', delay: float = 1.0):
super().__init__(csv_file, delay)
self.csv_file = csv_file
self._init_csv() # Override parent's CSV initialization
def _init_csv(self):
"""Инициализация CSV файла с заголовками для think model"""
if not os.path.exists(self.csv_file):
with open(self.csv_file, 'w', newline='', encoding='utf-8') as file:
writer = csv.writer(file, quoting=csv.QUOTE_ALL)
writer.writerow(['source', 'in_source_id', 'prompt', 'think_process', 'solution', 'is_answer_a_link', 'has_link'])
def extract_thread_conversation(self, soup: BeautifulSoup) -> str:
"""Извлечение всей ветки обсуждения в формате think process"""
conversation = []
# Находим все сообщения в треде
messages = soup.find_all('div', class_='m-tree-p')
for msg in messages:
# Извлекаем текст сообщения
message_text_div = msg.find('div', class_='forum-message-text')
if message_text_div:
text = self.clean_message_text(message_text_div)
if text:
# Дополнительная очистка от цифр в скобках для сообщений
text = self.clean_solution_text(text)
if text: # Проверяем что текст не пустой после очистки
conversation.append(text)
# Формируем think process в формате <think>{conversation}</think>
think_process = "<think>\n"
think_process += "\n---\n".join(conversation) # Разделяем сообщения
think_process += "\n</think>"
return think_process
def count_links_in_text(self, text: str) -> int:
"""Подсчет количества ссылок в тексте"""
# Ищем URL-подобные строки
url_pattern = r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\\(\\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+'
links = re.findall(url_pattern, text)
return len(links)
def is_answer_mostly_link(self, text: str) -> bool:
"""Проверка, состоит ли ответ в основном из ссылки (>80%)"""
# Находим все ссылки
url_pattern = r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\\(\\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+'
links = re.findall(url_pattern, text)
if not links:
return False
# Считаем общую длину текста и длину ссылок
total_length = len(text.strip())
links_length = sum(len(link) for link in links)
# Проверяем, составляют ли ссылки более 80% текста
return (links_length / total_length) > 0.8 if total_length > 0 else False
async def parse_topic(self, session, topic_url: str) -> Optional[List[Dict]]:
"""Переопределенный метод парсинга темы для think model"""
topic_id = self.extract_topic_id(topic_url)
if not topic_id:
logger.debug(f"Невалидный URL: {topic_url}")
return None
logger.info(f"Парсинг темы: {topic_url}")
html = await self.fetch_page(session, topic_url)
if not html:
return None
soup = BeautifulSoup(html, 'html.parser')
# Извлекаем метаданные
meta_id = self.extract_meta_identifier(soup)
if not meta_id:
logger.warning(f"Не найден meta identifier для {topic_url}")
return None
# Проверяем, не обработана ли уже эта тема
if meta_id in self.processed_urls:
logger.debug(f"Тема {meta_id} уже обработана")
return None
# Извлекаем основные данные
prompt = self.extract_first_message(soup)
if not prompt:
logger.warning(f"Не найден вопрос для {topic_url}")
return None
think_process = self.extract_thread_conversation(soup)
solutions = self.extract_solutions(soup)
# Создаем записи даже если нет решений
if solutions:
# Объединяем все решения в одно
combined_solution = "\n---\n".join(solutions)
else:
combined_solution = ""
# Анализируем ссылки
has_link = self.count_links_in_text(combined_solution)
is_answer_a_link = self.is_answer_mostly_link(combined_solution)
self.processed_urls.add(meta_id)
return [{
'source': 'forum_infostart',
'in_source_id': meta_id,
'prompt': prompt,
'think_process': think_process,
'solution': combined_solution,
'is_answer_a_link': is_answer_a_link,
'has_link': has_link if has_link > 0 else 'NaN'
}]
def save_to_csv(self, data: List[Dict]):
"""Переопределенный метод сохранения в CSV для think model"""
if not data:
return
with open(self.csv_file, 'a', newline='', encoding='utf-8') as file:
writer = csv.DictWriter(file, fieldnames=['source', 'in_source_id', 'prompt', 'think_process', 'solution', 'is_answer_a_link', 'has_link'],
quoting=csv.QUOTE_ALL) # Полное квотирование для сохранения пробелов
for row in data:
# Экранируем специальные символы в текстовых полях
escaped_row = {}
for key, value in row.items():
if isinstance(value, str):
escaped_row[key] = self.escape_for_csv(value)
else:
escaped_row[key] = value
writer.writerow(escaped_row)
logger.info(f"Сохранено {len(data)} записей в {self.csv_file}")
async def main():
parser = ThinkModelForumParser()
await parser.parse_all_pages(start_page=1, end_page=2100)
if __name__ == "__main__":
import asyncio
asyncio.run(main()) |