auto-generate-export-contracts/auto-generate-export-contracts/scripts/parse_order_info.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
订单信息解析脚本：支持编号列表格式和自然语言格式
"""

import re


def parse_structured_order(text: str) -> dict:
    """
    解析编号列表格式的订单信息
    """
    result = {}
    
    # 基本信息提取
    m = re.search(r'姓名[：:]\s*(.+?)[；;\n]', text)
    result['sales_name'] = m.group(1).strip() if m else ''
    
    m = re.search(r'任职[：:]\s*(.+?)[；;\n]', text)
    result['sales_title'] = m.group(1).strip() if m else ''
    
    m = re.search(r'合同签约公司中文名称[：:]\s*(.+?)[；;\n]', text)
    result['buyer_cn'] = m.group(1).strip() if m else ''
    
    m = re.search(r'合同签约公司英文名称[：:]\s*(.+?)(?:\n|$)', text)
    result['buyer_en'] = m.group(1).strip() if m else ''
    
    m = re.search(r'合同签约公司中文地址[：:]\s*(.+?)[；;\n]', text)
    result['address_cn'] = m.group(1).strip() if m else ''
    
    m = re.search(r'合同签约公司英文地址[：:]\s*(.+?)(?:\n|$)', text)
    result['address_en'] = m.group(1).strip() if m else ''
    
    m = re.search(r'合同联系电话[：:]\s*([\d+\-]+)', text)
    result['tel'] = m.group(1).strip() if m else ''
    
    m = re.search(r'国内出发港口[：:]\s*(.+?)[；;\n]', text)
    result['departure_port'] = m.group(1).strip() if m else ''
    
    m = re.search(r'目的地国家[：:]\s*(.+?)(?:\n|$)', text)
    result['destination_country'] = m.group(1).strip() if m else ''
    
    m = re.search(r'目的地港口[：:]\s*(.+?)(?:\n|$)', text)
    result['destination_port'] = m.group(1).strip() if m else ''
    
    m = re.search(r'结算方式[：:]\s*(FCA|FOB|EXW|CIF)', text, re.IGNORECASE)
    result['trade_term'] = m.group(1).upper() if m else 'FCA'
    
    # 车型列表解析 - 使用行扫描方式
    vehicles = []
    lines = text.split('\n')
    
    i = 0
    while i < len(lines):
        line = lines[i].strip()
        # 匹配车型起始行: （数字）... 型号：XXX
        m = re.match(r'[（(](\d+)[)）]\s*(.+?)\s*型号[：:]\s*(\w+)', line)
        if m:
            seq = m.group(1)
            name_part = m.group(2).strip()
            model_code = m.group(3).strip()
            
            # 解析车型名称（中英文分离）
            name_cn, name_en = split_name_cn_en(name_part)
            
            # 下一行提取排放、发动机代码、数量、颜色
            engine_code = ''
            emission = ''
            quantity = 1
            color = ''
            
            if i + 1 < len(lines):
                next_line = lines[i + 1].strip()
                # 模式: 排放标准  代码：XXX  X台颜色
                m2 = re.search(r'(.+?)\s+代码[：:]\s*(\w+)\s+(\d+)台(\w+)', next_line)
                if m2:
                    emission = m2.group(1).strip()
                    engine_code = m2.group(2).strip()
                    quantity = int(m2.group(3))
                    color = m2.group(4).strip()
                    i += 1  # 跳过已处理的下一行
            
            vehicles.append({
                'seq': seq,
                'name_cn': name_cn,
                'name_en': name_en,
                'model_code': model_code,
                'emission': emission,
                'engine_code': engine_code,
                'quantity': quantity,
                'color': color,
                'unit_price_usd': None,
                'config_desc': '',
            })
        i += 1
    
    result['vehicles'] = vehicles
    return result


def split_name_cn_en(name_part: str) -> tuple:
    """
    将车型描述分割为中文名和英文名
    
    例如:
    '荣光新双排货车  N350 Double Cab Pickup，-' -> ('荣光新双排货车', 'N350 Double Cab Pickup')
    '五菱荣光新卡双后轮 2.0L 5MT 单排' -> ('五菱荣光新卡双后轮 2.0L 5MT 单排', '')
    """
    # 移除末尾的标点符号
    name_part = re.sub(r'[，,、\-]+$', '', name_part).strip()
    
    # 查找中英文分界点（连续英文字母序列）
    # 策略：找到最后一个中文字符之后的主要英文部分
    # 更简单的策略：如果包含明显的中英分界（中文字符后接大段英文）
    
    # 匹配模式: 中文部分 + 空格 + 英文部分（英文部分以字母/数字开头，包含字母、数字和空格）
    m = re.match(r'([\u4e00-\u9fff][\u4e00-\u9fff\s\d.]+?)\s+([A-Za-z0-9][A-Za-z0-9\s\(\)]+)$', name_part)
    if m:
        return m.group(1).strip(), m.group(2).strip()
    
    # 如果没有明显的英文部分，全部作为中文名
    if re.search(r'[\u4e00-\u9fff]', name_part):
        return name_part, ''
    
    # 如果没有中文，全部作为英文名
    return '', name_part


def parse_natural_language(text: str) -> dict:
    """
    使用正则从自然语言中提取关键字段
    """
    result = {}
    
    # 买方公司名称
    m = re.search(r'(?:买方|买方公司|签约公司|客户)[是|:：]\s*([^，,；;。\n]+)', text)
    if m:
        name = m.group(1).strip()
        if re.search(r'[\u4e00-\u9fff]', name):
            result['buyer_cn'] = name
            result['buyer_en'] = ''
        else:
            result['buyer_en'] = name
            result['buyer_cn'] = ''
    
    if not result.get('buyer_en'):
        m = re.search(r'英文名称[是|:：]\s*([^，,；;。\n]+)', text)
        if m:
            result['buyer_en'] = m.group(1).strip()
    
    if not result.get('buyer_cn'):
        m = re.search(r'中文名称[是|:：]\s*([^，,；;。\n]+)', text)
        if m:
            result['buyer_cn'] = m.group(1).strip()
    
    # 地址
    m = re.search(r'(?:地址|ADD)[是|:：]\s*([^，,；;。\n]+)', text)
    if m:
        addr = m.group(1).strip()
        if re.search(r'[\u4e00-\u9fff]', addr):
            result['address_cn'] = addr
            result['address_en'] = ''
        else:
            result['address_en'] = addr
            result['address_cn'] = ''
    
    # 电话
    m = re.search(r'(?:电话|Tel|联系电话)[是|:：]\s*([\d+\-]+)', text)
    if m:
        result['tel'] = m.group(1).strip()
    
    # 贸易条款
    m = re.search(r'(?:贸易条款|结算方式|Incoterm)[是|:：]?\s*(FCA|FOB|EXW|CIF)', text, re.IGNORECASE)
    result['trade_term'] = m.group(1).upper() if m else 'FCA'
    
    # 出发港口
    m = re.search(r'(?:出发港|出发港口|起运港)[是|:：]\s*([^，,；;。\n]+)', text)
    result['departure_port'] = m.group(1).strip() if m else ''
    
    # 目的地国家
    m = re.search(r'(?:目的地国家|目的国|出口到|发往)[是|:：]?\s*([^，,；;。\n]+)', text)
    result['destination_country'] = m.group(1).strip() if m else ''
    
    # 车型解析
    vehicles = []
    
    # 模式1: ... 型号：XXX ... 代码：XXX ... X台
    pattern = r'(?:车型[\d]*[：:、.．]?\s*)?(.+?)\s+(?:型号[：:]\s*)?(LZW\w+).*?(?:代码[：:]\s*)?(\w+).*?(\d+)台'
    matches = re.findall(pattern, text, re.DOTALL)
    for m in matches:
        name_part = m[0].strip()
        name_cn, name_en = split_name_cn_en(name_part)
        vehicles.append({
            'name_cn': name_cn,
            'name_en': name_en,
            'model_code': m[1].strip(),
            'emission': '',
            'engine_code': m[2].strip(),
            'quantity': int(m[3]),
            'color': '',
            'unit_price_usd': None,
            'config_desc': '',
        })
    
    if not vehicles:
        pattern2 = r'(LZW\w+)\s+(?:发动机代码[：:]\s*)?(\w+).*?(\d+)台'
        matches = re.findall(pattern2, text)
        for m in matches:
            vehicles.append({
                'name_cn': '',
                'name_en': '',
                'model_code': m[0].strip(),
                'emission': '',
                'engine_code': m[1].strip(),
                'quantity': int(m[2]),
                'color': '',
                'unit_price_usd': None,
                'config_desc': '',
            })
    
    result['vehicles'] = vehicles
    return result


def parse_order_info(text: str) -> dict:
    """
    主解析函数：自动判断格式并解析
    """
    text = text.strip()
    
    # 判断是否为结构化编号列表格式
    is_structured = bool(re.search(r'^\d+[.．]\s*(姓名|任职|意向车型|合同签约公司)', text, re.MULTILINE))
    
    if is_structured:
        result = parse_structured_order(text)
    else:
        result = parse_natural_language(text)
    
    # 填充默认值
    if not result.get('trade_term'):
        result['trade_term'] = 'FCA'
    if not result.get('departure_port'):
        result['departure_port'] = 'Guangzhou nansha Port'
    
    return result


if __name__ == '__main__':
    import json
    import sys
    sys.stdout.reconfigure(encoding='utf-8')
    
    with open('../assets/订单合同信息案例.txt', encoding='utf-8') as f:
        test_text = f.read()
    
    result = parse_order_info(test_text)
    print(json.dumps(result, ensure_ascii=False, indent=2))