Spaces:
Sleeping
Sleeping
File size: 4,854 Bytes
57cf043 |
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 |
import logging
import re
from bs4 import BeautifulSoup
from components.parser.abbreviations import AbbreviationExtractor
from components.parser.xml.structures import ParsedText
logger = logging.getLogger(__name__)
class XMLTextParser:
"""
Класс для парсинга текста из xml файлов.
"""
def __init__(self, soup: BeautifulSoup):
"""
Инициализация парсера.
Args:
soup: BeautifulSoup - суп, содержащий весь xml документ
"""
self.soup = soup
self.abbreviation_extractor = AbbreviationExtractor()
self.abbreviations = []
def parse(self) -> ParsedText:
"""
Парсинг текстовой информации из xml файла.
Returns:
ParsedText - структура с текстом, полученным из xml файла
"""
parsed_text = self._extract_text()
# Извлекаем аббревиатуры из текста
if parsed_text and parsed_text.content:
text_content = parsed_text.to_text()
self.abbreviations = self.abbreviation_extractor.extract_abbreviations_from_text(text_content)
logger.debug(f"Extracted {len(self.abbreviations)} abbreviations from text")
return parsed_text
def get_abbreviations(self) -> list:
"""
Возвращает список аббревиатур, извлеченных из текста.
Returns:
list: Список аббревиатур
"""
return self.abbreviations
def _extract_text(self) -> ParsedText:
"""
Извлечение и очистка текста из XML.
Returns:
ParsedText - структура, содержащая очищенный текст
"""
# Удаляем все таблицы
for table in self.soup.find_all('w:tbl'):
table.decompose()
# Удаляем бинарные данные
for bindata in self.soup.find_all('w:bindata'):
bindata.decompose()
# Удаляем элементы v:shape (изображения)
for shape in self.soup.find_all('v:shape'):
shape.decompose()
# Удаляем заголовки документа
doc_props = self.soup.find('o:documentproperties')
if doc_props:
doc_props.decompose()
# Извлекаем абзацы (теги w:p)
paragraphs = []
for p_tag in self.soup.find_all('w:p'):
# Собираем все текстовые элементы в этом абзаце
paragraph_text_elements = []
for text_tag in p_tag.find_all('w:t'):
content = text_tag.get_text()
# Пропускаем специальные элементы в фигурных скобках
if content and '{' in content and '}' in content:
if '{КСС}' in content or content.startswith('{СС_'):
continue
if content:
paragraph_text_elements.append(content)
if paragraph_text_elements:
# Объединяем текст этого абзаца
paragraph_text = ' '.join(paragraph_text_elements)
# Очистка текста абзаца
paragraph_text = paragraph_text.replace('&', '&')
paragraph_text = paragraph_text.replace('<', '<')
paragraph_text = paragraph_text.replace('>', '>')
paragraph_text = paragraph_text.replace('MS-Word', '')
paragraph_text = paragraph_text.replace('См. документ в ', '')
paragraph_text = paragraph_text.replace(
'------------------------------------------------------------------', ''
)
# Удаление фигурных скобок и их содержимого
paragraph_text = re.sub(
r'\{[\.\,\#\:\=A-Za-zа-яА-Я\d\/\s\"\-\/\?\%\_\.\&\$]+\}', '', paragraph_text
)
# Форматирование текста абзаца
paragraph_text = re.sub(r'[\t ]+', ' ', paragraph_text)
paragraph_text = paragraph_text.strip()
if paragraph_text: # Добавляем только непустые абзацы
paragraphs.append(paragraph_text)
return ParsedText(content=paragraphs)
|