当前位置：首页 > article >正文

羲和数据集收集器1.3

article 2024/12/29 17:28:19

为了实现所要求的功能，我们需要进一步完善代码，使其能够处理多种格式的输入文件，并生成符合要求的 JSON 格式的输出文件。具体来说，我们完善了以下内容：

增强 extract_qa_pairs_from_content 函数：使其能够识别和处理不同格式的 QA 对。
确保输出文件的格式正确：每个 QA 对占一行，且格式为 JSON。
以下是完善后的代码：

import os
import json
import fitz  # PyMuPDF
import docx
import re
import tkinter as tk
from tkinter import filedialog, messagebox, simpledialog
import logging

# 设置日志记录
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')

def clean_text(text):
    """ 清理文本，去除多余的空白字符和标点符号，替换影响数据集的特殊字符 """
    text = re.sub(r'\s+', ' ', text)  # 合并多个空白字符
    text = re.sub(r'[^\w\s]', '', text)  # 去除标点符号
    text = re.sub(r'"', "'", text)  # 替换双引号
    text = re.sub(r'\\', '/', text)  # 替换反斜杠
    return text.strip()

def extract_qa_pairs_from_txt(file_path):
    with open(file_path, 'r', encoding='utf-8') as f:
        content = f.read()
    content = clean_text(content)
    qa_pairs = extract_qa_pairs_from_content(content)
    return qa_pairs

def extract_qa_pairs_from_docx(file_path):
    doc = docx.Document(file_path)
    content = []
    for para in doc.paragraphs:
        content.append(para.text)
    for table in doc.tables:
        for row in table.rows:
            for cell in row.cells:
                content.append(cell.text)
    for rel in doc.part.rels.values():
        if "textBox" in rel.target_ref:
            text_box = rel.target_part
            for element in text_box.element.body:
                if element.tag.endswith('p'):
                    content.append(element.text)
    content = '\n'.join(content)
    content = clean_text(content)
    qa_pairs = extract_qa_pairs_from_content(content)
    return qa_pairs

def