File size: 2,790 Bytes
b4f2238 | 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 | """
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
|