new_tiku_structure_2021/structure/three_parse_structure.py

#!/usr/bin/env/python
# -*- coding:utf-8 -*-

# paper3_process: 第三类word试卷模式, 题目和答案分开的情况
# split2one_item：将所有行文本 按题型分大类，再在每个大类中切分每个题目
# split2one_item_by_topicno：将所有行文本 按题型分大类，再在每个大类中按题号切分每个题目
"""
总共3种方案：1、教师用卷；2、按题号切分；3、划分试题和答案，再按题号切分
"""


from structure.ans_structure import *
from utils.insert_keywords import get_con
from utils.item_resplit import resplit
from utils.washutil import table_label_cleal
from structure.stems_structure import stems_structure_byno
from utils.item_type_line import get_item_head_info
from utils.topic_no import judge_item_no_type, get_right_no
from utils.stem_ans_split import stem_ans_split
from collections import Counter
from pprint import pprint


def items_ans_reform(items_list, ans_list):
    """
    第三种word试卷格式， 题目和答案分开的情况
    答案也有几种类型：带题型？
    :param sent_list:
    :param split_point:
    :return:
    """
    con1 = list(filter(lambda x: x.strip() != "", items_list))  # 题目
    anss1 = list(filter(lambda x: x.strip() != "", ans_list))  # 答案,list中的每个元素为一行
    if re.match(".+?省.+?试[卷题]", con1[-1]):
        con1 = con1[:-1]
    if re.match(".+?省.+?试[卷题]|.*?答题?[卷卡页]", anss1[0]):
        anss1 = anss1[1:]
    print("-------答案页----------")  # 答案页可能全是图片
    # pprint(anss1)
    print("-------答案页--end--------")

    #--------------答案页也包含题目的情况----------------------------
    ans_n = re.findall("【答案】", "\n".join(anss1))
    if ans_n and len(ans_n) == len(re.findall("【解析】", "\n".join(anss1)))>2:  # 带相同个数的答案和解析
        item_res = split_by_keywords(anss1)
        if type(item_res) != str:
            return item_res

    # ----------------- 【解析 题目】----------------------------
    print('---------------解析 题目-------------------')
    ress = stems_structure_byno(con1)
    if type(ress) == str:
        return ress
    else:
        item_res, all_type, item_type_classify, item_no_type, item_type_num, new_item_no = ress  # 全题目（不含解析）的结构化

    # 将空题目去掉
    new_res = []
    for k, sub_res in enumerate(item_res):
        if sub_res['content'].strip():
            sub_res['content'] = del_no(sub_res['content'])
            new_res.append(sub_res)
    item_res = new_res
    # pprint(item_res)

    # 先对题目的切分结果进行纠正！！！！！
    item_res = resplit(item_res)

    print("item_type_classify:", item_type_classify)
    print("item_type_num:", item_type_num)

    print('----------解析 答案---------------')
    # -------------解析 答案---------------------------
    # 分两种情况：1>>答案中又按题型排列， 如一、选择题    1.答案  2.答案
    #            2>>答案中不含题型关键字，只按序号排列
    #            3>>答案中不含题型关键字，且题目中也没有，all_type, item_type_classify为空
    # print(anss1)
    new_ans_no1 = []
    rd1_is_fail = 0
    have_type_line = re.search(r"[一二三四五六七八九十]\s*[、.．､]\s*[^必考基础综合中等]{2,5}题", "\n".join(anss1))
    if have_type_line:
        # 这里的anss1的清洗不应该影响rd2_is_fail中的原始文本！！先不修改看看再说
        while re.search(r"<td><p>[A-F]</p></td>|</td><td>[A-F]</td><td>", anss1[0]) is None and (re.search(r"[\u4e00-\u9fa5]", anss1[0]) is None
              or re.search(r"[一二三四五六七八九十]\s*[、.．､]\s*(<imgsrc.*?/>)?\s*.{2,5}题", anss1[0]) is None):
            del anss1[0]
        # 答案中的题型
        all_type2 = re.findall(r"\n\s*[一二三四五六七八九十]\s*[、.．､]\s*([^必考基础综合中等]{2,5}题)", "\n" + "\n".join(anss1))
        # '本大题' 后面处理
        print("答案中的题型:", all_type2)
        ans_str = "\n" + "\n".join(anss1)
        # try:
        item_res, rd1_is_fail = anss_structure_with_type(item_res, ans_str, all_type, all_type2, item_type_num, item_type_classify)
        # except:
        #     rd1_is_fail = 1

    # 没有题型行或第一次解析失败
    rd2_is_fail = 0
    if not have_type_line or rd1_is_fail:  # 答案中没有题型行 或题型行名称不规范
        print('没有题型行或题目和答案的题型个数不一致或第一次解析失败')
        anss1 = list(
            map(lambda x: re.sub(r"(\n|^)\s*[一二三四五六七八九十]\s*[、.．､]?\s*(<p>)?"
                                    r"(\s*.{2,5}题.+?分\s*[.。]?\s*$|.*?[(（].+?[得共]\d+分.*?[)）].*?$"
                                 r"|\s*.{2,5}题\s*([(（].+?[)）])?).*?$|(\n|^)\s*.{2,5}题(.+?分\s*[)）])?\s*$", "", x), anss1))
        # print("anss1:", anss1)
        raw_item_res = item_res
        # try:
        item_res = ans_structure_step1(anss1, item_type_classify, item_res)  # 答案整体结构化
        if str(raw_item_res) != str(item_res):
            rd2_is_fail = 1
        # except:
        #     rd2_is_fail = 1
        #     for i, one_item in enumerate(item_res):
        #         item_res[i].update({'answer': "", 'parse': ""})
        #     return item_res, item_no_type, rd2_is_fail

    for i, one_item in enumerate(item_res):
        if 'answer' not in one_item:
            item_res[i]['answer'] = ""
        if 'parse' not in one_item:
            item_res[i]['parse'] = ""

    return item_res, item_no_type, rd2_is_fail


def split_by_keywords(con_list):
    """
    第一种试卷格式：教师用卷，含答案和解析关键字
    切分思路：
    1.根据大题型分，再按【答案|解析】初步拆分题目，再在‘解析’和‘答案’间细分‘题干’和‘解析’
    :param con_list:
    :return: 每个切分后的题目组成的dict
    """
    # items_con = "\n" + "\n".join(con_list)
    # judge_item_no_type(items_con)
    # item_no_type = 1
    # all_con = table_label_cleal()
    # item_no = [int(no) for no in re.findall(r'\n+\s*([1-9][0-9]?)\s*[.．、､]', all_con)]
    # if len(item_no) <= 2:
    #     item_no_type = 2
    #     item_no = [int(no) for no in re.findall(r'\n+\s*[(（]\s*([1-9][0-9]?)\s*[)）]\s*[.．、､]?', all_con)]
    #     if len(item_no) > 3:
    # 去掉多余空格，作用不大
    con2 = ["【delete】" if (k < len(con_list) - 1 and v.strip() == "" and (
            re.match(r"【(答案|解析)】|(答案|解析)\s*[：:]|<imgsrc\d+|\s+", con_list[k + 1].strip()) or
            re.match(r"(([1-9]|[1-4][0-9])\s*[.．、､]|[一二三四五六七八九十]\s*[、.．､]\s*[^必考基础综合中等]{2,4}题)",
                     con_list[k + 1].strip()) is None))
                          or (k > 0 and v.strip() == "" and (
                re.match(r"【(答案|解析)】$|(答案|解析)\s*[：:]", con_list[k - 1].strip()) or
                re.match(r"[a-z<>/\s]*[一二三四五六七八九十]\s*[、.．､]\s*[^必考基础综合中等]{2,4}题",
                         con_list[k - 1].strip())))
            else v for k, v in enumerate(con_list)]
    con3 = list(filter(lambda x: x != "【delete】", con2))

    while con3 and con3[-1].strip() == "":
        del con3[-1]
    while con3 and con3[0].strip() == "":
        del con3[0]
    con3.append("")  # 不然最后一个题就漏掉了

    # 开头没用信息处理
    con3[0] = re.sub(r"([一二三四五六七八九十]\s*[、.．､]\s*[^必考基础综合中等]{2,4}题)", r"\n\1", con3[0])
    while con3 and (re.search(r"[\u4e00-\u9fa5]", con3[0]) is None
                    or re.search(r"[一二三四五六七八九十]\s*[、.．､]\s*[^必考基础综合中等]{2,4}题", con3[0]) is None):
        del con3[0]

    # ----------------------------------开始结构化---------------------------------------------
    items_con = "\n" + "\n".join(con3)
    # 初步获取题号，题号类型
    items_con, item_no_info, item_no_type = judge_item_no_type(items_con)
    # 1、获取题型行信息、按题型行切分
    con4, title_info_dict, choice_class = get_item_head_info(items_con)
    all_type = title_info_dict["all_type"]
    select_type_id = title_info_dict["select_type_id"]
    each_item_score, each_item_score2 = title_info_dict["each_item_score"], title_info_dict["each_item_score2"]

    # 2、据是否有题型行分两步进行
    # 没有做拆图处理
    res = []
    if not all_type:
        print("不存在大题题型行或题型行格式有问题")
        if len(re.findall(r"\n\s*【答案】", items_con)) != len(re.findall(r"\n\s*【解析】", items_con)):
            return "不存在大题题型行或题型行格式有问题"
        else:
            item_no = []
            subcon = re.split(r"((?<=\n)\s*【答案】|(?<=\n)\s*【解析】)\n?", items_con.strip())
            pattern1 = re.compile(r"([1-9]|[1-4][0-9])\s*[.．、､].+?")
            if re.match(pattern1, subcon[0].strip()):
                st_id = re.match(pattern1, subcon[0].strip()).group(1)
                if int(st_id) > 1:
                    item_no.append(int(st_id))
            else:
                item_no.append(1)

            if len(subcon) == 5:  # 只有1道题
                dd = dict(zip(["content", "answer", "parse"],
                              re.split(r"(?<=\n)\s*【答案】|(?<=\n)\s*【解析】", table_label_cleal(items_con))))
                dd["item_topic_name"] = ""
                dd["content"] = re.sub(r"^\d+\s*[.．、､]", "", dd["content"][:5]) + dd["content"][5:]
                dd["score"] = 0
                dd["errmsgs"] = []
                dd["item_id"] = item_no[0]  # 要用实际id   不是索引序号
                res.append(dd)
            else:
                # ------在下一题【解析】在本题【答案】之间找到下一题【content】的位置--------
                all_item, local_item_no, errmsg_dict, count = get_con(subcon, item_no_type, index=0)
                item_no.extend(local_item_no)
                for idk, one_item in enumerate(all_item):
                    dd = dict(zip(["content", "answer", "parse"],
                                  re.split(r"(?<=\n)\s*【答案】\n?|(?<=\n)\s*【解析】\n?",
                                           table_label_cleal(one_item))))
                    dd["item_topic_name"] = ""
                    dd["content"] = re.sub(r"\d+\s*[.．、､]", "", dd["content"][:5]) + dd["content"][5:]
                    dd["score"] = 0
                    dd["errmsgs"] = [errmsg_dict[idk]] if idk in errmsg_dict else []
                    dd["item_id"] = item_no[idk]
                    res.append(dd)
    else:
        if len(all_type) != len(con4):
            print("存在题型行没有换行")
            return "存在题型行末尾没有换行，请在所有题型行末尾重新换行"  # 放第【2】种方案中进行处理
        else:
            # if "非选择题" in all_type:
            #     return "第" + str(all_type.index("非选择题")+1) + "大题的题型不明确"
            index = 0
            for num, one_type in enumerate(con4):
                count = 1
                if len(re.findall(r"\n\s*【答案】", one_type)) == len(re.findall(r"\n\s*【解析】", one_type)):
                    subcon = re.split(r"((?<=\n)\s*【答案】|(?<=\n)\s*【解析】)\n?", one_type.strip())
                    # index根据第一道题的题号进行纠正
                    item_no = []
                    pattern1 = re.compile(r"([1-9]|[1-4][0-9])\s*[.．、､].+?")
                    if re.match(pattern1, subcon[0].strip()):
                        st_id = re.match(pattern1, subcon[0].strip()).group(1)
                        if num == 0 and int(st_id) != 1:
                            index = int(st_id) - 1
                        item_no.append(int(st_id))
                    else:
                        item_no.append(index+1)

                    if len(subcon) == 5:  # 只有1道题
                        dd = dict(zip(["content", "answer", "parse"],
                                      re.split(r"(?<=\n)\s*【答案】|(?<=\n)\s*【解析】", table_label_cleal(one_type))))
                        dd["item_topic_name"] = all_type[num]
                        dd["content"] = re.sub(r"^\d+\s*[.．、､]", "", dd["content"][:5]) + dd["content"][5:]
                        dd["score"] = each_item_score[num]
                        dd["errmsgs"] = []
                        dd["item_id"] = item_no[0]  # 要用实际id   不是索引序号
                        if not dd["score"] and each_item_score2 and str(dd["item_id"]) in each_item_score2.keys():
                            dd["score"] = each_item_score2[str(dd["item_id"])]
                        if select_type_id and dd["item_id"] in select_type_id:
                            dd['is_optional'] = 'true'
                        if dd["score"] == 0.0 and title_info_dict["total_score"][num] > 0.0:
                            dd["score"] = title_info_dict["total_score"][num]
                        res.append(dd)
                    else:
                        # ------在下一题【解析】在本题【答案】之间找到下一题【content】的位置,再按此3个关键字进行 切分--------
                        all_item, local_item_no, errmsg_dict, count = get_con(subcon, item_no_type, all_type=all_type, num=num, index=index)
                        item_no.extend(local_item_no)
                        for idk, one_item in enumerate(all_item):
                            dd = dict(zip(["content", "answer", "parse"],
                                          re.split(r"(?<=\n)\s*【答案】\n?|(?<=\n)\s*【解析】\n?",
                                                   table_label_cleal(one_item))))
                            dd["item_topic_name"] = all_type[num]
                            dd["content"] = re.sub(r"\d+\s*[.．、､]", "", dd["content"][:5]) + dd["content"][5:]
                            dd["score"] = each_item_score[num]
                            dd["errmsgs"] = [errmsg_dict[idk]] if idk in errmsg_dict else []
                            dd["item_id"] = item_no[idk]  # idk+1+index 为序号
                            if choice_class:
                                for k, v in choice_class.items():
                                    if dd["item_id"] in v:
                                        dd["item_topic_name"] = k + "选题"
                                    # elif len(choice_class) == 1:
                                    #     dd["item_topic_name"] = "多选题" if k == "单" else "单选题"
                            if not dd["score"] and each_item_score2 and str(dd["item_id"]) in each_item_score2.keys():
                                dd["score"] = each_item_score2[str(dd["item_id"])]
                            if select_type_id and dd["item_id"] in select_type_id:
                                dd['is_optional'] = 'true'
                            res.append(dd)
                    # pprint(res)
                else:
                    return "第" + str(num + 1) + "大题《" + all_type[num] + "》中【答案】或【解析】格式有误或其中某道题中出现多个相同关键字或漏关键字"
                index += count
    return res, item_no_type

def split_by_topicno(con_list):
    """
        第二种试卷格式: 不同时或都不含有{答案}和{解析}关键字
        按题号切分每个题目
        将所有行文本 按题型分大类，再在每个大类中切分每个题目
        :param con_list: 所有行文本组成的list
        :return: [{},{}]
        """
    con1 = list(filter(lambda x: x.strip() != "", con_list))
    ress = stems_structure_byno(con1)  # 按题号切分后的初步结构化
    if type(ress) == str:
        return ress
    else:
        res, all_type, item_type_classify, item_no_type, item_type_num, new_item_no = ress
    # res, all_type, item_type_classify = stems_structure_byno(con1)
    print("item_type_num:", item_type_num)
    # pprint(res)
    # 可能存在有的题目有解析，有的没有
    for k, one_res in enumerate(res):
        if re.search('\n【(答案|[解分][析答]|详解|点[评睛]|考点|专题)】', one_res["content"]):
            case = "case1"  # 默认有“答案”关键字
            if re.search(r'\n【答案】|答案\s*[：:]', one_res["content"]) is None:
                # 没“答案”关键字
                case = "case0"
            dd1 = stem_ans_split(one_res, case)  # 对切分后的每道题再细分
            one_res["content"] = dd1["content"]
            del dd1["content"]
            one_res.update(dd1)
        else:  # 没有解析的情况
            one_res.update({"answer": "", "parse": ""})

        one_res["content"] = del_no(one_res["content"], item_no_type)

        if 'pic' in one_res:
            one_res["content"] += "\n" + "\n".join(one_res["pic"])
            del one_res["pic"]

    # 先对题目的切分结果进行纠正！！！！！
    res = resplit(res)

    # 对最后一个题后面带个别答案（无答案页)
    if res:
        pattern1 = re.search('\n\s*([1-9]|[1-4][0-9])\s*[.．、､]\s*(解\s*[:：]|【解析|【答案)', res[-1]["content"])
        if pattern1:
            breakp = pattern1.start()
            ans_str = res[-1]["content"][breakp:]
            ans_no_info = pre_get_item_no(ans_str, item_no_type)
            ans_no, ans_no_idx = get_right_no(ans_no_info)
            all_ans = [del_no(ans_str[i:j]) for i, j in zip(ans_no_idx, ans_no_idx[1:] + [None])]
            res[-1]["content"] = res[-1]["content"][:breakp]
            res = get_ans_match(res, all_ans, ans_no)
        else:
            ans_str = res[-1]["content"] + res[-1]["parse"]
            ans_no_info = pre_get_item_no(ans_str, item_no_type)
            ans_no, ans_no_idx = get_right_no(ans_no_info)
            if len(ans_no) == len(res):
                all_ans = [del_no(ans_str[i:j]) for i, j in zip(ans_no_idx, ans_no_idx[1:] + [None])]
                res[-1]["content"] = res[-1]["content"][:ans_no_idx[0]]
                res = get_ans_match(res, all_ans, ans_no)
            elif ans_no_idx:
                try:
                    ans_no1, table_ans, st = get_table_ans(res[-1]["content"][:ans_no_idx[0]], flag=1)
                    if table_ans and 0 < ans_no[0] - ans_no1[-1] < 3:
                        all_ans = table_ans
                        all_ans.extend([del_no(ans_str[i:j]) for i, j in zip(ans_no_idx, ans_no_idx[1:] + [None])])
                        new_ans_no = ans_no1
                        new_ans_no.extend(ans_no)
                        if st >= 0:
                            res[-1]["content"] = res[-1]["content"][:st]
                        else:
                            res[-1]["content"] = res[-1]["content"][:ans_no_idx[0]]
                        res = get_ans_match(res, all_ans, new_ans_no)
                except:
                    if len(ans_no)>4:
                        all_ans = [del_no(ans_str[i:j]) for i, j in zip(ans_no_idx, ans_no_idx[1:] + [None])]
                        res[-1]["content"] = res[-1]["content"][:ans_no_idx[0]]
                        res = get_ans_match(res, all_ans, ans_no)

    # 没有识别出答案切分点的情况，很可能答案里的部分也当成题文进行拆分，所以先判断下是否有相同的id
    all_no = [one_res['item_id'] for one_res in res]
    if len(list(set(all_no))) - len(all_no) < -2:
        Count_no = sorted(dict(Counter(all_no)).items(), key=lambda d: d[1], reverse=True)
        if Count_no[0][1] > 1:
            split_idx = [i for i, no in enumerate(all_no) if no == Count_no[0][0]][1]
            for one_res in res[split_idx:]:
                if re.search("[（(]\s+[)）]|(等于|存在|[是有为])多少|求.*?[?？]",
                             one_res["content"] + "\n" + one_res["parse"]) is None:
                    bef_no = [k for k, j in enumerate(res[:split_idx]) if j["item_id"]==one_res["item_id"]]
                    if bef_no and not res[:split_idx][bef_no[0]]["parse"]:
                        res[:split_idx][bef_no[0]]["parse"] = one_res["content"] + "\n" + one_res["parse"]
            return res[:split_idx],item_no_type

    return res, item_no_type