fc / apps /automation /utils /text_utils.py
jun2024's picture
Upload 2241 files
b4f2238 verified
Raw History Blame Contribute Delete
2.79 kB
"""
文本处理工具类
纯工具方法,不包含业务逻辑
"""
import logging
import re
logger = logging.getLogger("apps.automation")
class TextUtils:
"""文本处理相关工具方法"""
# 案号正则(支持多种格式)
# 标准案号格式:(2025)粤0606执保38607号
# 必须以括号包裹的年份开头,后跟法院代码和案件类型
CASE_NUMBER_PATTERN = re.compile(r"[((〔\[]\d{4}[))\]〕]\s*[\u4e00-\u9fa5]{1,10}\d+[\u4e00-\u9fa5]{1,5}\d+号?")
# 日期格式正则(用于排除误匹配)
DATE_PATTERN = re.compile(r"\d{4}年\d{1,2}月\d{1,2}[日号]")
@staticmethod
def normalize_case_number(case_number: str) -> str:
"""
规范化案号
Args:
case_number: 原始案号
Returns:
规范化后的案号
"""
if not case_number:
return ""
# 统一括号
result = case_number.replace("(", "(").replace(")", ")")
result = result.replace("〔", "(").replace("〕", ")")
result = result.replace("[", "(").replace("]", ")")
# 删除空格
result = result.replace(" ", "").replace("\u3000", "")
# 补全"号"字
if result and not result.endswith("号"):
result += "号"
return result
@staticmethod
def clean_text(text: str) -> str:
"""
清洗文本
Args:
text: 原始文本
Returns:
清洗后的文本
"""
if not text:
return ""
# 先去除控制字符(保留 \t \n \r 等常规空白)
text = re.sub(r"[\x00-\x08\x0b-\x0c\x0e-\x1f\x7f]", "", text)
# 再合并多余空白(含 \t \n \r)为单个空格,并 strip
text = re.sub(r"\s+", " ", text)
text = text.strip()
return text
@staticmethod
def extract_case_numbers(text: str) -> list[str]:
"""
从文本中提取所有案号
Args:
text: 文本内容
Returns:
案号列表
"""
matches = TextUtils.CASE_NUMBER_PATTERN.findall(text)
# 规范化并去重,同时排除日期格式
case_numbers = []
for m in matches:
normalized = TextUtils.normalize_case_number(m)
# 排除日期格式(如 2025年12月17号)
if TextUtils.DATE_PATTERN.match(m):
logger.debug(f"排除日期格式: {m}")
continue
if normalized and normalized not in case_numbers:
case_numbers.append(normalized)
if case_numbers:
logger.info(f"提取到 {len(case_numbers)} 个案号: {case_numbers}")
return case_numbers