# -*- coding: utf-8 -*- """纪念钞解析器 (board 151) 解析纪念钞收购帖文本，提取品种名、价格分类（标十/标百/刀/散张/捆）、数量。 参考 coin_parser 的多模式匹配思路，适配纪念钞价格表达。 """ from __future__ import annotations import re from .base import PriceRecord from .coin_parser import ( _looks_like_price, _is_noise_name, _is_bank_account_row, _clean_name, ) # ============================================================ # 纪念钞品种关键词（按优先级排序，长词优先） # ============================================================ # 已知品种名（不含号码修饰），长词优先避免短词误匹配（如"小龙钞"被"龙钞"抢先） BANKNOTE_NAMES = [ '生肖豹王', '生肖钞王', '迎接新世纪钞', '世纪龙钞', '小龙钞', '大龙钞', '龙钞', '有钱人', '财神刀', '财神龙', '龙尊', '马钞', '蛇钞', '奥运钞', '建国钞', '航天钞', '马三', '小司令', ] # 包装分类关键词 PACKAGE_KEYWORDS = ['标十', '标10', '标百', '刀', '散张', '裸张', '散钞', '捆', '件'] # 号码修饰词前缀 NUMBER_PREFIXES = ['无347', '无47', '无34', '无4', '带4', '无3'] # 论坛模板行（整行匹配则跳过） TEMPLATE_LINE_PATTERNS = [ r'^楼主$', r'^评分$', r'^查看$', r'^亮照亮证$', r'^QQ$', r'^确认$', r'^营销员第', r'^认证员注', r'^姓名[：:]', r'^地址[：:]', r'^电话[：:]', r'^手机[：:]', r'^微信[：:]', r'^QQ[：:]', r'^建行[：:]', r'^工行[：:]', r'^中行[：:]', r'^农行[：:]', r'^交行[：:]', r'^邮政[：:]', r'^民生[：:]', r'^华夏[：:]', r'^管理员注', r'^认证推荐人', r'^电子邮件', r'^备注[：:]', r'^此主题相关图片', r'^一尘互评', r'^收货地址', r'^开户行', ] # 装饰符号（需去除） DECORATION_PATTERN = re.compile(r'[█★▄▅▆▇███▓▒░◇◆◇◆●○◎※☆♬♪♭♯♮♯▼▽◤◥◄◢━┃┏┓┗┛]') def preprocess(text: str) -> str: """预处理：全角转半角、去装饰符号、去多余空格。""" # 全角→半角 t = text.replace('，', ',').replace('。', '.').replace('；', ';').replace('：', ':') t = t.replace('【', '[').replace('】', ']').replace('（', '(').replace('）', ')') # 修正连续小数点 t = re.sub(r'(\d+)\.{2,}(\d+)', r'\1.\2', t) # 去装饰符号 t = DECORATION_PATTERN.sub(' ', t) # 统一空格 t = re.sub(r'[ \t\xa0]+', ' ', t) return t.strip() def _is_template_line(line: str) -> bool: """判断是否为论坛模板行（应跳过）。""" line = line.strip() if not line: return True for pat in TEMPLATE_LINE_PATTERNS: if re.match(pat, line): return True return False def _extract_name(text: str) -> str: """从文本中提取纪念钞品种名。 策略： 1. 剥离动词前缀（收/求/收购/求购/出/出售/高价收购等） 2. 剥离价格前置（5350收有钱人 → 有钱人） 3. 匹配已知品种关键词 4. 附加号码修饰（带4/无4/无47/无347）和包装分类（标十/刀等） """ t = text.strip() # 剥离"动词:品种"前缀 m = re.match(r'^(收购|求购|出售|收|求|出|售)\s*[:：]\s*', t) if m: t = t[m.end():] # 剥离"价格+动词"前缀（如"5350收有钱人"、"5000求购有钱人"） m = re.match(r'^(\d+\.?\d*)\s*(元|/)?\s*(高价)?(收购|求购|出售|收|求|出|售)', t) if m: t = t[m.end():].strip() # 剥离"高价/先款/现款+动词"前缀（如"高价收购"、"先款收"、"现款4900收"） m = re.match(r'^(高价|先款|现款|高价先款|高价现款)\s*(\d+\.?\d*)?\s*(元)?\s*(收购|求购|出售|收|求|出|售)', t) if m: t = t[m.end():].strip() # 再次剥离可能残留的价格 m2 = re.match(r'^(\d+\.?\d*)\s*(元)?\s*', t) if m2: t = t[m2.end():].strip() # 剥离"[原创]"等前缀 t = re.sub(r'^\[原创\]\s*', '', t) t = re.sub(r'^\[.*?\]\s*', '', t) # 提取号码修饰词 number_mod = '' for prefix in NUMBER_PREFIXES: if prefix in t: number_mod = prefix break # 匹配已知品种名 found_name = '' for bn in BANKNOTE_NAMES: if bn in t: found_name = bn break if not found_name: # 未匹配到已知品种，尝试提取中文开头的文字 m = re.match(r'^([\u4e00-\u9fff]{2,8}钞)', t) if m: found_name = m.group(1) else: return '' # 组合：品种名 + 号码修饰（如"龙钞无347"） # 如果原文中号码修饰紧挨品种名，保留组合 result = found_name if number_mod and number_mod in t: # 检查号码修饰是否在品种名附近 idx = t.find(found_name) after = t[idx + len(found_name):idx + len(found_name) + 6] if number_mod in after or number_mod in t[:idx + len(found_name) + 10]: result = found_name + ' ' + number_mod return _clean_name(result) def _extract_prices(text: str, name: str) -> dict: """提取价格分类。返回 dict: {"标十": "", "标百": "", "刀": "", "散张": "", "捆": ""}.""" result = {"标十": "", "标百": "", "刀": "", "散张": "", "捆": ""} t = text.strip() # 模式A：标十/标10 + 价格（正向：标十5500 / 标10：5500） for pat in [r'标十\s*[:：]?\s*(\d+\.?\d*)', r'标10\s*[:：]?\s*(\d+\.?\d*)']: m = re.search(pat, t) if m and _looks_like_price(m.group(1)): result["标十"] = m.group(1) break # 模式B：标百 + 价格 m = re.search(r'标百\s*[:：]?\s*(\d+\.?\d*)', t) if m and _looks_like_price(m.group(1)): result["标百"] = m.group(1) # 模式C：刀 + 价格（含号码修饰，如"带4刀 2330"、"无47刀 2380"） for pat in [r'(?:带4|无4|无47|无347|无34)?\s*刀\s*[:：]?\s*(\d+\.?\d*)', r'(\d+\.?\d*)\s*(?:元)?\s*(?:带4|无4|无47|无347|无34)?\s*刀']: m = re.search(pat, t) if m and _looks_like_price(m.group(1)): if float(m.group(1)) >= 100: result["刀"] = m.group(1) break # 模式D：散张/裸张/散钞/单张 + 价格（含"单张:价格(...)"格式） for pat in [r'散张\s*[:：]?\s*(\d+\.?\d*)', r'裸张\s*[:：]?\s*(\d+\.?\d*)', r'散钞\s*[:：]?\s*(\d+\.?\d*)', r'散\s+(\d+\.?\d*)', r'单价\s*[:：]?\s*(\d+\.?\d*)', r'单张\s*[:：]?\s*(?:价格)?\s*[\(（]?\s*(\d+\.?\d*)']: m = re.search(pat, t) if m and _looks_like_price(m.group(1)): result["散张"] = m.group(1) break # 模式D2：价格范围 "价格(90元一120元)" / "价格(90-120)" → 取最低价 if not result["散张"]: m = re.search(r'价格\s*[\(（]\s*(\d+\.?\d*)\s*(?:元)?\s*[一\-~～至到]\s*(\d+\.?\d*)\s*(?:元)?\s*[\)）]', t) if m and _looks_like_price(m.group(1)): result["散张"] = m.group(1) # 模式E：捆 + 价格 m = re.search(r'捆\s*[:：]?\s*(\d+\.?\d*)', t) if m and _looks_like_price(m.group(1)): result["捆"] = m.group(1) # 模式F：行首裸价（无包装关键词，如"5350收有钱人要五组"） # 若行中含包装关键词，则关联到对应包装（如"4900元高价收购有钱人标十龙钞"→标十=4900） has_package = any(v for v in result.values()) if not has_package: m = re.match(r'^(\d+\.?\d*)\s*(?:元)?\s*/?\s*(?:组|张|刀)?\s*(?:高价|先款|现款)?\s*(?:收购|求购|收|求|出|售)', t) if m and _looks_like_price(m.group(1)): price_val = m.group(1) fv = float(price_val) if ('标十' in t or '标10' in t) and fv >= 50: result["标十"] = price_val elif '标百' in t and fv >= 100: result["标百"] = price_val elif '刀' in t and fv >= 100: result["刀"] = price_val elif '捆' in t: result["捆"] = price_val else: result["散张"] = price_val return result def _extract_quantity(text: str) -> tuple[str, str]: """提取需求数量和单位。返回 (quantity, quantity_unit)。""" t = text.strip() # "要五组" / "要3组" / "要10组" m = re.search(r'要\s*(\d+)\s*(组|张|刀|件|捆)', t) if m: return m.group(1), m.group(2) # 中文数字 "要五组" / "要三组" cn_map = {'一': '1', '二': '2', '两': '2', '三': '3', '四': '4', '五': '5', '六': '6', '七': '7', '八': '8', '九': '9', '十': '10'} m = re.search(r'要\s*([一二两三四五六七八九十])\s*(组|张|刀|件|捆)', t) if m: return cn_map.get(m.group(1), m.group(1)), m.group(2) # "1000张" / "5刀" / "3张" m = re.search(r'(\d+)\s*(张|刀|件|捆|组)', t) if m: return m.group(1), m.group(2) # "一共要3组" m = re.search(r'一共要\s*(\d+)\s*(组|张|刀|件|捆)', t) if m: return m.group(1), m.group(2) # "暂要10组" m = re.search(r'暂要\s*(\d+)\s*(组|张|刀|件|捆)', t) if m: return m.group(1), m.group(2) return '', '' def _is_valid_record(name: str, prices: dict, quantity: str, raw_text: str) -> bool: """校验记录是否有效。""" if not name or _is_noise_name(name): return False if _is_bank_account_row(name, raw_text): return False has_price = any(_looks_like_price(v) for v in prices.values()) has_qty = bool(quantity.strip()) return has_price or has_qty def parse(text: str) -> list[PriceRecord]: """纪念钞解析入口。""" cleaned = preprocess(text) records: list[PriceRecord] = [] for line in cleaned.split('\n'): line = line.strip() if not line or _is_template_line(line): continue # 过滤出售帖（仅保留收购/求购） if '出售' in line: continue # 提取品种名 name = _extract_name(line) if not name: continue # 提取价格 prices = _extract_prices(line, name) # 提取数量 quantity, quantity_unit = _extract_quantity(line) # 校验 if not _is_valid_record(name, prices, quantity, line): continue # 参考价 = 最低有效价 valid_prices = [float(v) for v in prices.values() if _looks_like_price(v)] ref_price = str(min(valid_prices)) if valid_prices else '' # 包装分类追加到名称（如"龙钞标十"） full_name = name for pkg in ['标十', '标百', '刀', '散张', '捆']: if prices.get(pkg): if pkg not in full_name: full_name = name + ' ' + pkg break records.append(PriceRecord( name=full_name.strip(), ref_price=ref_price, price_details=prices, unit='', quantity=quantity, quantity_unit=quantity_unit, package_req='', quality_req='', other_notes='', raw_text=line, )) return records