585 lines
29 KiB
Python
585 lines
29 KiB
Python
#!/usr/bin/env python3
|
||
# -*- coding: utf-8 -*-
|
||
"""
|
||
QA生成器 - 整合版
|
||
整合所有功能于一个文件，减少冗余
|
||
"""
|
||
|
||
import json
|
||
import os
|
||
import random
|
||
from typing import List, Dict, Any
|
||
|
||
|
||
class QAConfig:
|
||
"""QA生成配置类"""
|
||
|
||
def __init__(self):
|
||
# 基础配置
|
||
self.RANDOM_SEED = 42
|
||
self.INPUT_DIR = "Data_Export_Json"
|
||
self.OUTPUT_DIR = "Data_QA_Outputs"
|
||
|
||
# 复杂程度控制 (1-5)
|
||
self.COMPLEXITY_LEVEL = 3
|
||
|
||
# 问题数量控制
|
||
self.BASIC_QUESTIONS_PER_ITEM = 1
|
||
self.MAX_QUESTIONS_PER_ITEM = 10
|
||
self.MULTI_COLUMN_RATIO = 0.3
|
||
|
||
# 输出控制
|
||
self.SHUFFLE_OUTPUT = True
|
||
self.GENERATE_REPORT = True
|
||
self.VERBOSE_LOG = True
|
||
|
||
# 数据文件配置
|
||
self.DATA_FILES = [
|
||
{"name": "元素治理模板", "file": "远光数据架构元素治理模板表.json", "output": "远光数据架构元素治理模板表.json", "enabled": True},
|
||
{"name": "物理模型", "file": "远光数据架构物理模型表.json", "output": "远光数据架构物理模型表.json", "enabled": True},
|
||
{"name": "逻辑模型", "file": "远光数据架构逻辑模型表.json", "output": "远光数据架构逻辑模型表.json", "enabled": True}
|
||
]
|
||
|
||
# 初始化修饰语和连接词
|
||
self._init_templates()
|
||
|
||
def _init_templates(self):
|
||
"""初始化模板列表"""
|
||
if self.COMPLEXITY_LEVEL <= 2:
|
||
# 简单模式
|
||
self.QUESTION_PREFIXES = ["请告诉我", "查询", "请问"]
|
||
self.ANSWER_PREFIXES = ["根据表记录，该字段的", "查询结果显示，", "经查询，该字段的"]
|
||
self.ANSWER_SUFFIXES = ["。", "。"]
|
||
self.CONNECTORS = ["和", "与"]
|
||
self.SINGLE_TEMPLATES = 6 if self.COMPLEXITY_LEVEL == 2 else 3
|
||
self.MULTI_TEMPLATES = 1 if self.COMPLEXITY_LEVEL == 2 else 0
|
||
self.MULTI_RATIO = 0.1 if self.COMPLEXITY_LEVEL == 2 else 0.0
|
||
else:
|
||
# 普通/复杂模式
|
||
self.QUESTION_PREFIXES = ["请告诉我", "查询", "请问", "在", "请解释", "请输出", "请列举", "请说明", "请查找", "请确认"]
|
||
self.ANSWER_PREFIXES = ["根据表记录，该字段的", "查询结果显示，", "经查询，该字段的", "根据数据库记录，", "在表中，此字段的", "查询结果：", "经系统查询，", "根据记录显示，", "在数据中，该字段的", "查询得知，该字段的"]
|
||
self.ANSWER_SUFFIXES = ["。", "，请参考。", "，详情如上。", "，以上信息为准。", "，望知悉。", "，如需更多信息请联系。", "，希望能帮到您。", "，祝您工作顺利。", "，谢谢。", "。"]
|
||
self.CONNECTORS = ["和", "与", "及", "、", "，还有", "以及"]
|
||
self.SINGLE_TEMPLATES = 12
|
||
self.MULTI_TEMPLATES = 5
|
||
self.MULTI_RATIO = self.MULTI_COLUMN_RATIO
|
||
|
||
def get_random_element(self, elements: List[str]) -> str:
|
||
"""从列表中随机获取一个元素"""
|
||
return random.choice(elements) if elements else ""
|
||
|
||
def update_config(self, **kwargs):
|
||
"""更新配置参数"""
|
||
for key, value in kwargs.items():
|
||
if hasattr(self, key):
|
||
setattr(self, key, value)
|
||
if key == 'COMPLEXITY_LEVEL':
|
||
self._init_templates() # 重新初始化模板
|
||
|
||
def print_config(self):
|
||
"""打印当前配置"""
|
||
print(f"\n复杂程度等级: {self.COMPLEXITY_LEVEL}")
|
||
print(f"单列模板数: {self.SINGLE_TEMPLATES}")
|
||
print(f"多列模板数: {self.MULTI_TEMPLATES}")
|
||
print(f"多列占比: {self.MULTI_RATIO}")
|
||
print(f"输出目录: {self.OUTPUT_DIR}")
|
||
|
||
|
||
class QAGenerator:
|
||
"""QA生成器 - 整合版"""
|
||
|
||
def __init__(self, config: QAConfig = None):
|
||
"""初始化生成器"""
|
||
self.config = config or QAConfig()
|
||
os.makedirs(self.config.OUTPUT_DIR, exist_ok=True)
|
||
random.seed(self.config.RANDOM_SEED)
|
||
|
||
def load_json(self, file_path: str) -> List[Dict]:
|
||
"""加载JSON文件"""
|
||
with open(file_path, 'r', encoding='utf-8') as f:
|
||
return json.load(f)
|
||
|
||
def generate_single_qa(self, item: Dict, template_count: int, data_type: str) -> List[Dict]:
|
||
"""生成单列QA - 整合了三种数据类型的模板"""
|
||
qa_pairs = []
|
||
answer_prefixes = self.config.ANSWER_PREFIXES
|
||
answer_suffixes = self.config.ANSWER_SUFFIXES
|
||
prefixes = self.config.QUESTION_PREFIXES
|
||
|
||
if data_type == "element":
|
||
# 元素治理模板模板
|
||
templates = []
|
||
table_name = item.get("表名", "元素治理模板")
|
||
|
||
if item.get("业务领域名称") and item.get("数据元素中文名"):
|
||
templates.append((f"在{table_name}中，业务领域「{item['业务领域名称']}」对应的数据元素中文名是什么？", f"该数据元素为「{item['数据元素中文名']}」"))
|
||
|
||
if item.get("业务领域名称") and item.get("数据元素中文名"):
|
||
templates.append((f"「{item['数据元素中文名']}」这个数据元素在{table_name}中属于哪个业务领域？", f"该数据元素属于「{item['业务领域名称']}」"))
|
||
|
||
if item.get("数据元素中文名") and item.get("值类型"):
|
||
templates.append((f"查询{table_name}中，数据元素「{item['数据元素中文名']}」的值类型是什么？", f"值类型为「{item['值类型']}」"))
|
||
|
||
if item.get("数据元素中文名") and item.get("总长度"):
|
||
templates.append((f"在{table_name}里，「{item['数据元素中文名']}」的总长度设置是多少？", f"总长度为{item['总长度']}"))
|
||
|
||
if item.get("数据元素中文名") and item.get("类别"):
|
||
templates.append((f"请确认「{item['数据元素中文名']}」在{table_name}中属于哪个类别？", f"该数据元素属于「{item['类别']}」类别"))
|
||
|
||
if item.get("数据元素中文名") and item.get("数据元素英文名"):
|
||
templates.append((f"请查找{table_name}中「{item['数据元素中文名']}」对应的英文名是什么？", f"英文名为「{item['数据元素英文名']}」"))
|
||
|
||
if item.get("数据元素中文名") and item.get("是否枚举"):
|
||
templates.append((f"「{item['数据元素中文名']}」这个数据元素在{table_name}中是否枚举？", f"是否枚举为「{item['是否枚举']}」"))
|
||
|
||
if item.get("数据元素中文名") and item.get("枚举数量"):
|
||
templates.append((f"请问在{table_name}中，「{item['数据元素中文名']}」的枚举数量是多少？", f"枚举数量为{item['枚举数量']}"))
|
||
|
||
if item.get("数据元素中文名") and item.get("小数位"):
|
||
templates.append((f"请说明{table_name}中「{item['数据元素中文名']}」的小数位设置？", f"小数位为{item['小数位']}"))
|
||
|
||
if item.get("数据元素中文名") and item.get("抽象元素中文名"):
|
||
templates.append((f"在{table_name}里，「{item['数据元素中文名']}」的抽象元素中文名是什么？", f"抽象元素中文名为「{item['抽象元素中文名']}」"))
|
||
|
||
if item.get("数据元素中文名") and item.get("说明"):
|
||
templates.append((f"请解释「{item['数据元素中文名']}」在{table_name}中的作用和含义", f"该数据元素的说明为「{item['说明']}」"))
|
||
|
||
if item.get("数据元素中文名") and item.get("是否上线"):
|
||
templates.append((f"请问「{item['数据元素中文名']}」在{table_name}中是否已上线？", f"是否上线为「{item['是否上线']}」"))
|
||
|
||
# 生成QA
|
||
for i, (question, answer) in enumerate(templates[:template_count]):
|
||
qa_pairs.append({
|
||
"instruct": question,
|
||
"input": "",
|
||
"output": f"{self.config.get_random_element(answer_prefixes)}{answer}{self.config.get_random_element(answer_suffixes)}"
|
||
})
|
||
|
||
elif data_type == "physical":
|
||
# 物理模型模板
|
||
table_name = item.get("表名", "物理模型")
|
||
templates = []
|
||
|
||
if item.get("物理模型属性中文名") and item.get("值类型"):
|
||
templates.append((f"在{table_name}中，「{item['物理模型属性中文名']}」的值类型是什么？", f"该属性的值类型为「{item['值类型']}」"))
|
||
|
||
if item.get("物理模型属性中文名") and item.get("长度"):
|
||
templates.append((f"请问「{item['物理模型属性中文名']}」在{table_name}中的长度是多少？", f"该属性长度为{item['长度']}"))
|
||
|
||
if item.get("物理模型属性中文名") and item.get("小数位") is not None:
|
||
templates.append((f"请确认{table_name}中「{item['物理模型属性中文名']}」的小数位设置", f"该属性小数位为{item['小数位']}"))
|
||
|
||
if item.get("物理模型属性中文名") and item.get("关联数据元素"):
|
||
templates.append((f"「{item['物理模型属性中文名']}」这个属性在{table_name}中关联哪个数据元素？", f"该属性关联的数据元素为「{item['关联数据元素']}」"))
|
||
|
||
if item.get("物理模型属性中文名") and item.get("物理模型中文名"):
|
||
templates.append((f"请查找「{item['物理模型属性中文名']}」属于哪个物理模型？", f"该属性属于「{item['物理模型中文名']}」"))
|
||
|
||
if item.get("物理模型属性中文名") and item.get("说明"):
|
||
templates.append((f"请说明「{item['物理模型属性中文名']}」在{table_name}中的作用和用途", f"该属性的说明为「{item['说明']}」"))
|
||
|
||
if item.get("物理模型属性英文名") and item.get("物理模型属性中文名"):
|
||
templates.append((f"在{table_name}中，属性「{item['物理模型属性英文名']}」的中文名是什么？", f"该属性的中文名为「{item['物理模型属性中文名']}」"))
|
||
|
||
if item.get("物理模型中文名") and item.get("物理模型英文名"):
|
||
templates.append((f"「{item['物理模型中文名']}」对应的物理模型英文名是什么？", f"该物理模型的英文名为「{item['物理模型英文名']}」"))
|
||
|
||
if item.get("物理模型英文名") and item.get("物理模型中文名"):
|
||
templates.append((f"在{table_name}中，物理模型「{item['物理模型英文名']}」的中文名是什么？", f"该物理模型的中文名为「{item['物理模型中文名']}」"))
|
||
|
||
# 生成QA
|
||
for i, (question, answer) in enumerate(templates[:template_count]):
|
||
qa_pairs.append({
|
||
"instruct": question,
|
||
"input": "",
|
||
"output": f"{self.config.get_random_element(answer_prefixes)}{answer}{self.config.get_random_element(answer_suffixes)}"
|
||
})
|
||
|
||
elif data_type == "logical":
|
||
# 逻辑模型模板
|
||
table_name = item.get("表名", "逻辑模型")
|
||
templates = []
|
||
|
||
if item.get("业务领域") and item.get("逻辑模型中文名"):
|
||
templates.append((f"在{table_name}中，业务领域为「{item['业务领域']}」的逻辑模型中文名是什么？", f"该业务领域对应的逻辑模型中文名为「{item['逻辑模型中文名']}」"))
|
||
|
||
if item.get("业务领域") and item.get("逻辑模型中文名"):
|
||
templates.append((f"「{item['逻辑模型中文名']}」这个逻辑模型在{table_name}中属于哪个业务领域？", f"该逻辑模型属于「{item['业务领域']}」"))
|
||
|
||
if item.get("字段英文名") and item.get("字段中文名"):
|
||
templates.append((f"请告诉我「{item['字段英文名']}」在{table_name}中的中文名是什么？", f"该字段的中文名为「{item['字段中文名']}」"))
|
||
|
||
if item.get("字段中文名") and item.get("字段英文名"):
|
||
templates.append((f"在{table_name}中，「{item['字段中文名']}」对应的英文名是什么？", f"该字段的英文名为「{item['字段英文名']}」"))
|
||
|
||
if item.get("字段中文名") and item.get("值类型"):
|
||
templates.append((f"请问「{item['字段中文名']}」在{table_name}中的值类型是什么？", f"该字段的值类型为「{item['值类型']}」"))
|
||
|
||
if item.get("字段中文名") and item.get("长度"):
|
||
templates.append((f"查询{table_name}中，「{item['字段中文名']}」的长度是多少？", f"该字段长度为{item['长度']}"))
|
||
|
||
if item.get("字段中文名") and item.get("小数位") is not None:
|
||
templates.append((f"请确认「{item['字段中文名']}」在{table_name}中的小数位设置", f"该字段小数位为{item['小数位']}"))
|
||
|
||
if item.get("逻辑模型中文名") and item.get("动态查询能力"):
|
||
templates.append((f"「{item['逻辑模型中文名']}」的动态查询能力是什么级别？", f"该逻辑模型的动态查询能力为「{item['动态查询能力']}」"))
|
||
|
||
if item.get("字段中文名") and item.get("关联数据元素英文名"):
|
||
templates.append((f"在{table_name}中，「{item['字段中文名']}」关联的数据元素英文名是什么？", f"该字段关联的数据元素英文名为「{item['关联数据元素英文名']}」"))
|
||
|
||
if item.get("逻辑模型中文名") and item.get("逻辑模型英文名"):
|
||
templates.append((f"请查找「{item['逻辑模型中文名']}」对应的逻辑模型英文名", f"该逻辑模型的英文名为「{item['逻辑模型英文名']}」"))
|
||
|
||
# 生成QA
|
||
for i, (question, answer) in enumerate(templates[:template_count]):
|
||
qa_pairs.append({
|
||
"instruct": question,
|
||
"input": "",
|
||
"output": f"{self.config.get_random_element(answer_prefixes)}{answer}{self.config.get_random_element(answer_suffixes)}"
|
||
})
|
||
|
||
return qa_pairs
|
||
|
||
def generate_multi_qa(self, item: Dict, template_count: int, data_type: str) -> List[Dict]:
|
||
"""生成多列QA"""
|
||
qa_pairs = []
|
||
answer_prefixes = self.config.ANSWER_PREFIXES
|
||
answer_suffixes = self.config.ANSWER_SUFFIXES
|
||
connectors = self.config.CONNECTORS
|
||
|
||
if data_type == "element":
|
||
table_name = item.get("表名", "元素治理模板")
|
||
templates = []
|
||
|
||
if item.get("数据元素中文名") and item.get("值类型") and item.get("总长度"):
|
||
connector = self.config.get_random_element(connectors)
|
||
templates.append((
|
||
f"请列举{table_name}中「{item['数据元素中文名']}」的值类型和总长度",
|
||
f"该数据元素的{connector}值类型为「{item['值类型']}」，总长度为{item['总长度']}"
|
||
))
|
||
|
||
if item.get("数据元素中文名") and item.get("类别") and item.get("业务领域名称") and item.get("是否枚举"):
|
||
connector1 = self.config.get_random_element(connectors[:3])
|
||
connector2 = self.config.get_random_element(connectors[3:])
|
||
templates.append((
|
||
f"请输出「{item['数据元素中文名']}」在{table_name}中的类别、业务领域和是否枚举信息",
|
||
f"该数据元素的类别为「{item['类别']}」，{connector1}业务领域为「{item['业务领域名称']}」，{connector2}是否枚举为「{item['是否枚举']}」"
|
||
))
|
||
|
||
if item.get("数据元素中文名") and item.get("值类型") and item.get("总长度") and item.get("小数位"):
|
||
connector = self.config.get_random_element(connectors)
|
||
templates.append((
|
||
f"在{table_name}中，「{item['数据元素中文名']}」的值类型、长度和小数位分别是多少？",
|
||
f"该数据元素的值类型为「{item['值类型']}」，{connector}长度为{item['总长度']}，小数位为{item['小数位']}"
|
||
))
|
||
|
||
if item.get("数据元素中文名") and item.get("数据元素英文名") and item.get("说明"):
|
||
connector = self.config.get_random_element(connectors)
|
||
templates.append((
|
||
f"请查找「{item['数据元素中文名']}」在{table_name}中的英文名和说明信息",
|
||
f"该数据元素的英文名为「{item['数据元素英文名']}」，{connector}说明为「{item['说明']}」"
|
||
))
|
||
|
||
if item.get("数据元素中文名") and item.get("枚举数量") and item.get("元素取值范围\n（枚举类型名称）"):
|
||
connector = self.config.get_random_element(connectors)
|
||
range_value = item['元素取值范围\n（枚举类型名称）'] or "无"
|
||
templates.append((
|
||
f"在{table_name}中，「{item['数据元素中文名']}」的枚举数量和取值范围分别是什么？",
|
||
f"该数据元素的枚举数量为{item['枚举数量']}，{connector}取值范围为「{range_value}」"
|
||
))
|
||
|
||
# 生成QA
|
||
for i, (question, answer) in enumerate(templates[:template_count]):
|
||
qa_pairs.append({
|
||
"instruct": question,
|
||
"input": "",
|
||
"output": f"{self.config.get_random_element(answer_prefixes)}{answer}{self.config.get_random_element(answer_suffixes)}"
|
||
})
|
||
|
||
# 为物理模型和逻辑模型也添加类似的多列模板...
|
||
elif data_type == "physical":
|
||
table_name = item.get("表名", "物理模型")
|
||
if item.get("物理模型属性中文名") and item.get("值类型") and item.get("长度"):
|
||
connector = self.config.get_random_element(connectors)
|
||
qa_pairs.append({
|
||
"instruct": f"请列举「{item['物理模型属性中文名']}」在{table_name}中的值类型和长度",
|
||
"input": "",
|
||
"output": f"{self.config.get_random_element(answer_prefixes)}该属性的{connector}值类型为「{item['值类型']}」，长度为{item['长度']}{self.config.get_random_element(answer_suffixes)}"
|
||
})
|
||
|
||
elif data_type == "logical":
|
||
table_name = item.get("表名", "逻辑模型")
|
||
if item.get("字段中文名") and item.get("值类型") and item.get("长度"):
|
||
connector = self.config.get_random_element(connectors)
|
||
qa_pairs.append({
|
||
"instruct": f"请列举「{item['字段中文名']}」在{table_name}中的值类型和长度",
|
||
"input": "",
|
||
"output": f"{self.config.get_random_element(answer_prefixes)}该字段的{connector}值类型为「{item['值类型']}」，长度为{item['长度']}{self.config.get_random_element(answer_suffixes)}"
|
||
})
|
||
|
||
return qa_pairs
|
||
|
||
def generate_qa_for_data(self, data: List[Dict], data_type: str) -> List[Dict]:
|
||
"""为指定数据类型生成QA"""
|
||
all_qa = []
|
||
|
||
for item in data:
|
||
# 生成单列QA
|
||
single_qa = self.generate_single_qa(item, self.config.SINGLE_TEMPLATES, data_type)
|
||
all_qa.extend(single_qa)
|
||
|
||
# 根据概率生成多列QA
|
||
if random.random() < self.config.MULTI_RATIO:
|
||
multi_qa = self.generate_multi_qa(item, self.config.MULTI_TEMPLATES, data_type)
|
||
all_qa.extend(multi_qa)
|
||
|
||
return all_qa
|
||
|
||
def shuffle_qa_pairs(self, qa_pairs: List[Dict]) -> List[Dict]:
|
||
"""随机打乱问答对顺序"""
|
||
if self.config.SHUFFLE_OUTPUT:
|
||
random.shuffle(qa_pairs)
|
||
return qa_pairs
|
||
|
||
def save_qa(self, qa_pairs: List[Dict], filename: str):
|
||
"""保存QA到文件"""
|
||
output_path = os.path.join(self.config.OUTPUT_DIR, filename)
|
||
with open(output_path, 'w', encoding='utf-8') as f:
|
||
json.dump(qa_pairs, f, ensure_ascii=False, indent=2)
|
||
|
||
size_mb = os.path.getsize(output_path) / (1024 * 1024)
|
||
if self.config.VERBOSE_LOG:
|
||
print(f"[OK] 已生成: {output_path} (共 {len(qa_pairs)} 条问答对, {size_mb:.1f}MB)")
|
||
else:
|
||
print(f"[OK] 已生成: {output_path} (共 {len(qa_pairs)} 条问答对)")
|
||
|
||
def merge_to_train(self, output_file: str = "train.json") -> Dict:
|
||
"""合并QA文件为train.json"""
|
||
all_qa_pairs = []
|
||
file_stats = {}
|
||
total_files = 0
|
||
|
||
# 遍历输出目录中的所有QA文件
|
||
for filename in os.listdir(self.config.OUTPUT_DIR):
|
||
if filename.endswith('.json') and not filename.startswith('QA生成报告') and filename != 'train_stats.json':
|
||
file_path = os.path.join(self.config.OUTPUT_DIR, filename)
|
||
|
||
try:
|
||
with open(file_path, 'r', encoding='utf-8') as f:
|
||
qa_data = json.load(f)
|
||
|
||
if isinstance(qa_data, list) and all(isinstance(item, dict) and 'instruct' in item and 'output' in item for item in qa_data):
|
||
all_qa_pairs.extend(qa_data)
|
||
file_stats[filename] = len(qa_data)
|
||
total_files += 1
|
||
if self.config.VERBOSE_LOG:
|
||
print(f"[OK] 已合并: {filename} ({len(qa_data)} 条问答对)")
|
||
|
||
except Exception as e:
|
||
print(f"[ERROR] 读取文件失败 {filename}: {str(e)}")
|
||
|
||
# 打乱顺序
|
||
if self.config.SHUFFLE_OUTPUT and all_qa_pairs:
|
||
random.shuffle(all_qa_pairs)
|
||
if self.config.VERBOSE_LOG:
|
||
print(f"\n[INFO] 已打乱 {len(all_qa_pairs)} 条问答对顺序")
|
||
|
||
# 保存train.json
|
||
train_path = os.path.join(self.config.OUTPUT_DIR, output_file)
|
||
with open(train_path, 'w', encoding='utf-8') as f:
|
||
json.dump(all_qa_pairs, f, ensure_ascii=False, indent=2)
|
||
|
||
file_size_mb = os.path.getsize(train_path) / (1024 * 1024)
|
||
|
||
# 生成统计
|
||
stats = {
|
||
"合并时间": "2025-12-18",
|
||
"处理文件数": total_files,
|
||
"各文件问答对数量": file_stats,
|
||
"总问答对数量": len(all_qa_pairs),
|
||
"输出文件大小": f"{file_size_mb:.2f} MB",
|
||
"打乱顺序": self.config.SHUFFLE_OUTPUT
|
||
}
|
||
|
||
# 保存统计信息
|
||
stats_file = os.path.join(self.config.OUTPUT_DIR, "train_stats.json")
|
||
with open(stats_file, 'w', encoding='utf-8') as f:
|
||
json.dump(stats, f, ensure_ascii=False, indent=2)
|
||
|
||
print(f"\n[SUCCESS] 合并完成！")
|
||
print(f"[OUTPUT] {train_path}")
|
||
print(f"[TOTAL] 总计: {len(all_qa_pairs):,} 条问答对")
|
||
print(f"[SIZE] 文件大小: {file_size_mb:.2f} MB")
|
||
|
||
return stats
|
||
|
||
def generate_report(self, qa_counts: Dict[str, int]):
|
||
"""生成生成报告"""
|
||
if not self.config.GENERATE_REPORT:
|
||
return
|
||
|
||
report = {
|
||
"生成时间": "2025-12-18",
|
||
"版本": "整合版",
|
||
"配置信息": {
|
||
"复杂程度等级": self.config.COMPLEXITY_LEVEL,
|
||
"随机种子": self.config.RANDOM_SEED,
|
||
"多列查询占比": self.config.MULTI_COLUMN_RATIO,
|
||
"打乱输出": self.config.SHUFFLE_OUTPUT
|
||
},
|
||
"总文件数": len(qa_counts),
|
||
"各文件问答对数量": qa_counts,
|
||
"总计问答对数量": sum(qa_counts.values()),
|
||
"说明": "所有问答对均基于原始JSON数据生成，未进行任何编撰或修改"
|
||
}
|
||
|
||
report_path = os.path.join(self.config.OUTPUT_DIR, "QA生成报告.json")
|
||
with open(report_path, 'w', encoding='utf-8') as f:
|
||
json.dump(report, f, ensure_ascii=False, indent=2)
|
||
|
||
if self.config.VERBOSE_LOG:
|
||
print(f"[OK] 已生成: {report_path}")
|
||
|
||
def process_all(self):
|
||
# 清理输出目录中的旧文件
|
||
print("[INFO] 清理输出目录中的旧文件...")
|
||
if os.path.exists(self.config.OUTPUT_DIR):
|
||
for filename in os.listdir(self.config.OUTPUT_DIR):
|
||
file_path = os.path.join(self.config.OUTPUT_DIR, filename)
|
||
try:
|
||
if os.path.isfile(file_path):
|
||
os.remove(file_path)
|
||
if self.config.VERBOSE_LOG:
|
||
print(f" [DEL] 已删除: {filename}")
|
||
except Exception as e:
|
||
print(f" [WARN] 删除文件失败 {filename}: {str(e)}")
|
||
|
||
"""处理所有数据文件"""
|
||
qa_counts = {}
|
||
|
||
for file_info in self.config.DATA_FILES:
|
||
if not file_info["enabled"]:
|
||
if self.config.VERBOSE_LOG:
|
||
print(f"[SKIP] 已跳过: {file_info['name']}")
|
||
continue
|
||
|
||
if self.config.VERBOSE_LOG:
|
||
print(f"\n[INFO] 正在处理: {file_info['name']}.json")
|
||
else:
|
||
print(f"[INFO] 正在处理: {file_info['name']}")
|
||
|
||
input_file = os.path.join(self.config.INPUT_DIR, file_info["file"])
|
||
|
||
if not os.path.exists(input_file):
|
||
print(f"[WARNING] 文件不存在: {input_file}")
|
||
continue
|
||
|
||
try:
|
||
data = self.load_json(input_file)
|
||
|
||
# 根据文件名确定数据类型
|
||
if "元素治理" in file_info["name"]:
|
||
data_type = "element"
|
||
elif "物理模型" in file_info["name"]:
|
||
data_type = "physical"
|
||
elif "逻辑模型" in file_info["name"]:
|
||
data_type = "logical"
|
||
else:
|
||
print(f"[WARNING] 未知的文件类型: {file_info['name']}")
|
||
continue
|
||
|
||
qa_pairs = self.generate_qa_for_data(data, data_type)
|
||
qa_pairs = self.shuffle_qa_pairs(qa_pairs)
|
||
self.save_qa(qa_pairs, file_info["output"])
|
||
qa_counts[file_info["output"]] = len(qa_pairs)
|
||
|
||
except Exception as e:
|
||
print(f"[ERROR] 处理文件 {file_info['name']} 时出错: {str(e)}")
|
||
|
||
# 生成报告
|
||
if self.config.GENERATE_REPORT:
|
||
if self.config.VERBOSE_LOG:
|
||
print("\n[INFO] 正在生成: 生成报告")
|
||
else:
|
||
print("\n[INFO] 正在生成: 生成报告")
|
||
self.generate_report(qa_counts)
|
||
|
||
if self.config.VERBOSE_LOG:
|
||
print(f"\n[DONE] 所有文件处理完成！")
|
||
print(f"[OUT] 输出目录: {self.config.OUTPUT_DIR}")
|
||
print(f"[TOTAL] 总计生成: {sum(qa_counts.values())} 条问答对")
|
||
else:
|
||
print("\n[DONE] 所有文件处理完成！")
|
||
|
||
|
||
# 预设配置
|
||
SIMPLE_CONFIG = QAConfig()
|
||
SIMPLE_CONFIG.COMPLEXITY_LEVEL = 1
|
||
SIMPLE_CONFIG._init_templates()
|
||
|
||
NORMAL_CONFIG = QAConfig()
|
||
NORMAL_CONFIG.COMPLEXITY_LEVEL = 3
|
||
NORMAL_CONFIG._init_templates()
|
||
|
||
COMPLEX_CONFIG = QAConfig()
|
||
COMPLEX_CONFIG.COMPLEXITY_LEVEL = 5
|
||
COMPLEX_CONFIG._init_templates()
|
||
|
||
|
||
def main():
|
||
"""主函数 - 交互式运行"""
|
||
print("="*60)
|
||
print("QA生成器 - 整合版")
|
||
print("="*60)
|
||
|
||
print("\n可用的配置预设:")
|
||
print("1. SIMPLE_CONFIG - 简单模式 (复杂程度=1)")
|
||
print("2. NORMAL_CONFIG - 普通模式 (复杂程度=3)")
|
||
print("3. COMPLEX_CONFIG - 复杂模式 (复杂程度=5)")
|
||
print("4. 自定义配置")
|
||
|
||
choice = input("\n请选择配置 (1-4): ").strip()
|
||
|
||
if choice == "1":
|
||
config = SIMPLE_CONFIG
|
||
print("\n✓ 已选择: 简单模式")
|
||
elif choice == "2":
|
||
config = NORMAL_CONFIG
|
||
print("\n✓ 已选择: 普通模式")
|
||
elif choice == "3":
|
||
config = COMPLEX_CONFIG
|
||
print("\n✓ 已选择: 复杂模式")
|
||
elif choice == "4":
|
||
print("\n自定义配置:")
|
||
config = QAConfig()
|
||
complexity = input(f"复杂程度等级 (1-5, 当前:{config.COMPLEXITY_LEVEL}): ").strip()
|
||
if complexity:
|
||
config.COMPLEXITY_LEVEL = int(complexity)
|
||
config._init_templates()
|
||
|
||
multi_ratio = input(f"多列查询占比 0.0-1.0 (当前:{config.MULTI_COLUMN_RATIO}): ").strip()
|
||
if multi_ratio:
|
||
config.MULTI_COLUMN_RATIO = float(multi_ratio)
|
||
config._init_templates()
|
||
|
||
print("\n✓ 已应用自定义配置")
|
||
else:
|
||
print("\n无效选择，使用默认配置")
|
||
config = NORMAL_CONFIG
|
||
|
||
# 显示配置信息
|
||
config.print_config()
|
||
|
||
# 创建生成器并处理
|
||
generator = QAGenerator(config)
|
||
generator.process_all()
|
||
|
||
# 询问是否合并为train.json
|
||
merge_choice = input("\n是否合并为train.json? (y/n): ").strip().lower()
|
||
if merge_choice == 'y':
|
||
generator.merge_to_train()
|
||
|
||
|
||
if __name__ == "__main__":
|
||
main()
|