parser.py

"""
输入解析模块
负责严格解析 input_refs.txt 文件，将每条带序号的文献转换为纯净的查询字符串列表。
"""

import re


def parse_input_file(filepath):
    """
    解析输入文件，提取文献查询字符串。
    
    参数:
        filepath (str): 输入文件路径
        
    返回:
        list: 清理后的文献查询字符串列表
    """
    queries = []
    
    try:
        with open(filepath, 'r', encoding='utf-8') as f:
            content = f.read()
            
        # 使用正则表达式匹配以数字序号开头的行
        # 支持多种格式：
        # 1. [数字] + 空格 + 内容（如：[17] 内容）
        # 2. 数字 + 点号/括号/顿号 + 空格/制表符 + 内容
        # 3. 数字 + 制表符 + 内容（如：1\t内容）
        # 4. 数字 + 空格 + 内容（如：1 内容）
        patterns = [
            r'^\s*\[\d+\]\s+(.+)$',         # [数字] + 空格 + 内容（优先匹配方括号格式）
            r'^\s*\d+[\.\)、]\s+(.+)$',      # 数字 + 点号/括号/顿号 + 空格 + 内容
            r'^\s*\d+\t+(.+)$',              # 数字 + 制表符 + 内容
            r'^\s*\d+\s{2,}(.+)$',          # 数字 + 多个空格 + 内容
            r'^\s*\d+\s+(.+)$',              # 数字 + 单个空格 + 内容（最后尝试，避免误匹配）
        ]
        
        for line in content.split('\n'):
            original_line = line
            line = line.rstrip()  # 只去除右侧空白，保留左侧用于匹配
            
            if not line.strip():  # 跳过空行
                continue
            
            query_text = None
            
            # 尝试各种模式匹配
            for pattern in patterns:
                match = re.match(pattern, line)
                if match:
                    query_text = match.group(1).strip()
                    if query_text:  # 确保不是空字符串
                        queries.append(query_text)
                        break
            
            # 如果没有匹配到任何模式，但行不为空，可能是续行或特殊格式
            if query_text is None and line.strip():
                # 检查是否以[数字]或数字开头（可能是序号格式不标准）
                if re.match(r'^\s*\[\d+\]', line) or re.match(r'^\s*\d+', line):
                    # 尝试提取序号后的所有内容
                    # 先尝试 [数字] 格式
                    match = re.match(r'^\s*\[\d+\]\s*(.+)$', line)
                    if not match:
                        # 再尝试普通数字格式
                        match = re.match(r'^\s*\d+\s*(.+)$', line)
                    
                    if match:
                        query_text = match.group(1).strip()
                        if query_text:
                            queries.append(query_text)
                    else:
                        # 如果提取失败，可能是续行，追加到上一个查询
                        if queries:
                            queries[-1] += ' ' + line.strip()
                else:
                    # 不是以序号开头，可能是续行
                    if queries:
                        queries[-1] += ' ' + line.strip()
                    else:
                        # 没有已有查询，直接添加（可能是无序号格式）
                        queries.append(line.strip())
        
        return queries
        
    except FileNotFoundError:
        print(f"错误：找不到文件 {filepath}")
        return []
    except Exception as e:
        print(f"解析文件时出错：{e}")
        return []


if __name__ == '__main__':
    # 测试代码
    test_queries = parse_input_file('input_refs.txt')
    print(f"解析到 {len(test_queries)} 条文献查询：")
    for i, query in enumerate(test_queries, 1):
        print(f"{i}. {query}")