zzy
c29a3e6af0
支持自定义标题级别偏移量和正文样式，增强样式应用的灵活性。 - 新增 level_offset 参数用于调整标题级别 - 新增 body_style 参数用于设置正文段落样式 - 改进样式应用逻辑，支持多种样式的降级机制 - 更新配置文件以支持新的样式配置选项 - 修改解析器使致谢、参考文献和附录部分只提取正文内容
132 lines
4.5 KiB
Python
132 lines
4.5 KiB
Python
"""
|
||
Markdown 论文解析器。
|
||
|
||
将结构化 Markdown（摘要、正文、致谢、参考文献、附录）解析为字典，
|
||
供 docx 模板渲染使用。
|
||
"""
|
||
|
||
import re
|
||
from typing import Optional
|
||
|
||
# 匹配任意级数的标题：^## 或 ^### 等，支持可选的数字编号
|
||
_RE_HEADING = re.compile(r"^(#{1,6})\s*(?:\d+(?:\.\d+)*\s*)?(.+)$", re.MULTILINE)
|
||
|
||
|
||
def _strip_front_matter(content: str) -> str:
|
||
"""移除 YAML front matter（``---`` 包裹的头部块）。"""
|
||
if content.startswith("---"):
|
||
end = content.find("---", 3)
|
||
if end != -1:
|
||
return content[end + 3 :]
|
||
return content
|
||
|
||
|
||
def _find_section(
|
||
content: str, titles: list[str], after: int = 0
|
||
) -> Optional[tuple[int, int, str]]:
|
||
"""查找第一个匹配的章节，返回 ``(section_start, section_end, matched_title)``。
|
||
|
||
章节范围从标题行开始，到下一个同级/更高级标题结束（或内容结尾）。
|
||
"""
|
||
for m in _RE_HEADING.finditer(content, after):
|
||
raw_text = m.group(2).strip()
|
||
for t in titles:
|
||
if raw_text == t or raw_text.endswith(t):
|
||
rest = content[m.end() :]
|
||
next_m = _RE_HEADING.search(rest)
|
||
section_end = m.end() + (next_m.start() if next_m else len(rest))
|
||
return (m.start(), section_end, t)
|
||
return None
|
||
|
||
|
||
def _get_section_body(content: str, section_info: tuple) -> str:
|
||
"""从 section_info 中提取标题行之后的纯章节正文。"""
|
||
hdr_m = _RE_HEADING.match(content, section_info[0])
|
||
if not hdr_m:
|
||
return ""
|
||
return content[hdr_m.end() : section_info[1]].strip()
|
||
|
||
|
||
def parse_markdown(
|
||
md_text: str,
|
||
body_start_kw: list[str] | None = None,
|
||
body_end_kw: list[str] | None = None,
|
||
) -> dict:
|
||
"""解析 Markdown 格式的论文文本，返回模板变量字典。
|
||
|
||
Parameters
|
||
----------
|
||
md_text : str
|
||
完整的 Markdown 文本。
|
||
body_start_kw : list[str] | None
|
||
标识正文开始的章节名列表，默认 [``绪论``, ``引言``]。
|
||
body_end_kw : list[str] | None
|
||
标识正文结束的章节名列表，默认 [``致谢``, ``参考文献``, ``附录``]。
|
||
"""
|
||
if body_start_kw is None:
|
||
body_start_kw = ["绪论", "引言"]
|
||
if body_end_kw is None:
|
||
body_end_kw = ["致谢", "参考文献", "附录"]
|
||
|
||
content = _strip_front_matter(md_text.strip())
|
||
data: dict = {}
|
||
|
||
# ── 标题（第一个 # 标题） ──
|
||
title_m = re.search(r"^#\s+(.+)$", content, re.MULTILINE)
|
||
if title_m:
|
||
data["title"] = title_m.group(1).strip()
|
||
|
||
# ── 中文摘要 ──
|
||
abs_cn = _find_section(content, ["摘 要", "摘要"])
|
||
if abs_cn:
|
||
sec_body = _get_section_body(content, abs_cn)
|
||
kw_m = re.search(
|
||
r"\*\*关键词[：:]?\s*\*\*\s*(.*?)$", sec_body, re.MULTILINE
|
||
)
|
||
if kw_m:
|
||
data["abstact_cn_context"] = sec_body[: kw_m.start()].strip()
|
||
data["abstract_cn_keywords"] = kw_m.group(1).strip()
|
||
else:
|
||
data["abstact_cn_context"] = sec_body
|
||
|
||
# ── 英文摘要 ──
|
||
abs_en = _find_section(content, ["Abstract"])
|
||
if abs_en:
|
||
sec_body = _get_section_body(content, abs_en)
|
||
kw_m = re.search(
|
||
r"\*\*Key words[：:]?\s*\*\*\s*(.*?)$", sec_body, re.MULTILINE
|
||
)
|
||
if kw_m:
|
||
data["abstract_en_context"] = sec_body[: kw_m.start()].strip()
|
||
data["abstract_en_keywords"] = kw_m.group(1).strip()
|
||
else:
|
||
data["abstract_en_context"] = sec_body
|
||
|
||
# ── 正文（从绪论/引言到致谢/参考文献/附录） ──
|
||
body_start = _find_section(content, body_start_kw)
|
||
if body_start:
|
||
body_content = content[body_start[0] :]
|
||
body_end = _find_section(body_content, body_end_kw)
|
||
if body_end:
|
||
body_content = body_content[: body_end[0]]
|
||
data["body_md"] = body_content.strip()
|
||
else:
|
||
data["body_md"] = ""
|
||
|
||
# ── 致谢（仅正文，不含标题行） ──
|
||
ack = _find_section(content, ["致谢"])
|
||
if ack:
|
||
data["acknowledgement"] = _get_section_body(content, ack)
|
||
|
||
# ── 参考文献（仅正文，不含标题行） ──
|
||
ref = _find_section(content, ["参考文献"])
|
||
if ref:
|
||
data["reference"] = _get_section_body(content, ref)
|
||
|
||
# ── 附录（仅正文，不含标题行） ──
|
||
app = _find_section(content, ["附录"])
|
||
if app:
|
||
data["appendix"] = _get_section_body(content, app)
|
||
|
||
return data
|