jy-data-extract/src/jy/util/article.go

package util

import (
	"regexp"
)

//
type Job struct {
	SourceMid      string                            //数据源的MongoId
	Category       string                            //类别
	CategorySecond string                            //二级分类
	Content        string                            //正文
	Title          string                            //标题
	SpiderCode     string                            //爬虫代码
	Domain         string                            //网站域名
	Href           string                            //原文链接
	City           string                            //城市
	Province       string                            //省份
	Jsondata       *map[string]interface{}           //
	Data           *map[string]interface{}           //数据库源数据
	Block          []*Block                          //分块
	Result         map[string][]*ExtField            //结果
	BuyerAddr      string                            //采购单位地址
	BlockPackage   map[string]*BlockPackage          //块中的分包
	Winnerorder    []map[string]interface{}          //中标候选人排序
	PackageInfo    map[string]map[string]interface{} //分包信息
	RuleBlock      *RuleBlock                        //分块规则
	BlockClassify  *BlockClassify                    //块分类
	BrandData      [][]map[string]string             //
	HasTable       int                               //有table
	HasKey         int                               //是否匹配到table中的标题
	HasBrand       int                               //有品牌
	HasGoods       int                               //有商品
	IsFile         bool                              //有附件
	AreaScore      map[string]int                    //province得分
	CityScore      map[string]int                    //city得分
	DistrictScore  map[string]int                    //istrict得分
}

type ExtField struct {
	BlockTag    map[string]string //块标签
	Field       string            //属性
	Code        string            //匹配标签（字符串、正则）、正则或lua代码
	RuleText    string            //内容
	Type        string            //kv(细类:colon1,colon2,space,table)、正则(regexp)
	MatchType   string            //匹配类型：1：标签库类型(tag_string,tag_regexp)，2：全文正则regcontent
	ExtFrom     string            //抽取来源(title,detail)
	SourceValue interface{}       //抽取结果--未清理
	Value       interface{}       //抽取结果
	Score       float64           //得分
	ScoreItem   []*ScoreItem      //打分项
	Weight      int               //权重值
	ValRepeat   int               //结果值重复次数，打分参考
}

//打分项
type ScoreItem struct {
	Des       string      //分数说明
	Code      string      //匹配标签（字符串、正则）、正则或lua代码
	RuleText  string      //内容
	ScoreFrom string      //打分来源
	Value     interface{} //抽取结果
	Score     float64     //得分结果
}

//分块规则
type RuleBlock struct {
	BlockRegs []*regexp.Regexp
	TitleRegs []*regexp.Regexp
	Classify  *BlockClassify
}

//块
type Block struct {
	Tags              []Tags                   //对块做的标签，可以作为数据抽取的依据
	Title             string                   //块标题
	Titles            []string                 //拆分以后多个块标题
	NotClassifyTitles []string                 //没有分出类的标题
	Index             int                      //块索引
	Text              string                   //块内容
	Start             int                      //开始索引
	End               int                      //结束索引
	ColonKV           *JobKv                   //冒号kv (分出的对应的KV值)
	TableKV           *JobKv                   //table kv (分出的对应的KV值)
	SpaceKV           *JobKv                   //空格 kv (分出的对应的KV值)
	BPackage          *BlockPackage            //分包信息
	Tag               map[string]bool          //块标签
	Block             []*Block                 //子块
	Classify          map[string]bool          //块分类
	Winnerorder       []map[string]interface{} //块中，中标候选人排序
}

//块
type TmpBlock struct {
	Tags        []Tags                   //对块做的标签，可以作为数据抽取的依据
	Title       string                   //块标题
	Titles      []string                 //拆分以后多个块标题
	Index       int                      //块索引
	Text        string                   //块内容
	Start       int                      //开始索引
	End         int                      //结束索引
	ColonKV     string                   //冒号kv (分出的对应的KV值)
	TableKV     string                   //table kv (分出的对应的KV值)
	SpaceKV     string                   //空格 kv (分出的对应的KV值)
	BPackage    string                   //分包信息
	Tag         map[string]bool          //块标签
	Block       []*TmpBlock              //子块
	Category    string                   //块分类
	Winnerorder []map[string]interface{} //块中，中标候选人排序
}

//分包和标签
type BlockAndTag struct {
	Tag   map[string]bool //块标签
	Block interface{}     //块内容
}

//段落
type Segment struct {
	Index int    //段落索引
	Text  string //段落内容
}

//包
type BlockPackage struct {
	Index       string                   //序号 (转换后编号，只有数字或字母)
	Origin      string                   //包的原始值
	Type        string                   //类型 (匹配后面的标段、包之类的词)
	Text        string                   //包文 (包对应的正文)
	ColonKV     *JobKv                   //冒号kv (分出的对应的KV值)
	TableKV     *JobKv                   //table kv (分出的对应的KV值)
	SpaceKV     *JobKv                   //空格 kv (分出的对应的KV值)
	BidStatus   string                   //成交状态
	WinnerOrder []map[string]interface{} //中标人排序
	Accuracy    bool                     //包里面抽取字段的准确性，如果能打上块标签的话，就不用中标候选人中的值覆盖包里面的值
}

//联系人
type ContactFormat struct {
	Direction int
	IndexMap  map[int]string
	MatchMap  map[string]map[string]bool
	WeightMap map[string]map[string]interface{}
}

//kv
type Kv struct {
	Key      string
	Value    string
	Line     string
	PrevLine string
	NextLine string
	Title    string
}

//最终放到job上的kv
type JobKv struct {
	Kvs    []*Kv             //有序的冒号kv
	Kvs_2  []*Kv             //有序的冒号kv
	KvTags map[string][]*Tag //带权重的kv
}

func NewJobKv() *JobKv {
	return &JobKv{
		Kvs:    []*Kv{},
		Kvs_2:  []*Kv{},
		KvTags: map[string][]*Tag{},
	}
}

type NameCode struct {
	Name string
	Code string
}