335 lines
13 KiB
Python
335 lines
13 KiB
Python
"""
|
||
Response cleaner module.
|
||
Removes markdown formatting and special characters from AI responses.
|
||
Handles complex number-to-text conversion for Russian language.
|
||
"""
|
||
|
||
# Модуль очистки текста перед озвучкой.
|
||
# 1. Убирает Markdown (жирный шрифт, ссылки), который генерирует AI, чтобы робот не читал спецсимволы.
|
||
# 2. Преобразует числа в слова ("5 мая" -> "пятого мая", "5 рублей" -> "пять рублей").
|
||
# Это критически важно для качественного русского TTS.
|
||
|
||
import re
|
||
import pymorphy3
|
||
from num2words import num2words
|
||
|
||
# Инициализация морфологического анализатора (для определения падежей)
|
||
morph = pymorphy3.MorphAnalyzer()
|
||
|
||
# Карта предлогов и падежей.
|
||
# Помогает понять, в какой падеж ставить число после предлога.
|
||
PREPOSITION_CASES = {
|
||
"в": "loct", # В ком/чем? (Предложный) или Винительный. Часто loct для годов.
|
||
"во": "loct",
|
||
"на": "accs", # На какое число? (Винительный) - для дат.
|
||
"о": "loct",
|
||
"об": "loct",
|
||
"обо": "loct",
|
||
"при": "loct",
|
||
"у": "gent", # У кого/чего? (Родительный)
|
||
"от": "gent",
|
||
"до": "gent",
|
||
"из": "gent",
|
||
"с": "gent", # Или Творительный. Но чаще Родительный (с 5 числа).
|
||
"со": "gent",
|
||
"без": "gent",
|
||
"для": "gent",
|
||
"вокруг": "gent",
|
||
"после": "gent",
|
||
"к": "datv", # К кому/чему? (Дательный)
|
||
"ко": "datv",
|
||
"по": "datv",
|
||
"над": "ablt", # Над кем/чем? (Творительный)
|
||
"под": "ablt",
|
||
"перед": "ablt",
|
||
"за": "ablt",
|
||
"между": "ablt",
|
||
"около": "gent",
|
||
"против": "gent",
|
||
"вместо": "gent",
|
||
"кроме": "gent",
|
||
"из-за": "gent",
|
||
"сквозь": "accs",
|
||
"через": "accs",
|
||
"про": "accs",
|
||
}
|
||
|
||
# Соответствие падежей pymorphy и библиотеки num2words
|
||
PYMORPHY_TO_NUM2WORDS = {
|
||
"nomn": "nominative",
|
||
"gent": "genitive",
|
||
"datv": "dative",
|
||
"accs": "accusative",
|
||
"ablt": "instrumental",
|
||
"loct": "prepositional",
|
||
"voct": "nominative",
|
||
"gen2": "genitive",
|
||
"acc2": "accusative",
|
||
"loc2": "prepositional",
|
||
}
|
||
|
||
# Соответствие родов pymorphy и num2words
|
||
PYMORPHY_TO_GENDER = {
|
||
"masc": "m",
|
||
"femn": "f",
|
||
"neut": "n",
|
||
}
|
||
|
||
# Названия месяцев в родительном падеже (для поиска дат в тексте)
|
||
MONTHS_GENITIVE = [
|
||
"января",
|
||
"февраля",
|
||
"марта",
|
||
"апреля",
|
||
"мая",
|
||
"июня",
|
||
"июля",
|
||
"августа",
|
||
"сентября",
|
||
"октября",
|
||
"ноября",
|
||
"декабря",
|
||
]
|
||
|
||
# Леммы единиц времени (для корректного падежа числительных)
|
||
TIME_UNIT_LEMMAS = {"час", "минута", "секунда"}
|
||
|
||
|
||
def get_case_from_preposition(prep_token):
|
||
"""Определяет падеж по предлогу."""
|
||
if not prep_token:
|
||
return None
|
||
return PREPOSITION_CASES.get(prep_token.lower())
|
||
|
||
|
||
def convert_number(number_str, context_type="cardinal", case="nominative", gender="m"):
|
||
"""
|
||
Обертка над num2words для конвертации числа в строку.
|
||
cardinal - количественное (один, два)
|
||
ordinal - порядковое (первый, второй)
|
||
"""
|
||
try:
|
||
# Обработка дробей (замена запятой на точку)
|
||
if "." in number_str or "," in number_str:
|
||
num_val = float(number_str.replace(",", "."))
|
||
else:
|
||
num_val = int(number_str)
|
||
|
||
return num2words(num_val, lang="ru", to=context_type, case=case, gender=gender)
|
||
except Exception as e:
|
||
print(f"Error converting number {number_str}: {e}")
|
||
return number_str
|
||
|
||
|
||
def numbers_to_words(text: str) -> str:
|
||
"""
|
||
Интеллектуальная замена цифр на слова с учетом контекста (даты, года, падежи).
|
||
"""
|
||
if not text:
|
||
return ""
|
||
|
||
# 1. Обработка годов: "в 1999 году", "2024 год"
|
||
def replace_year_match(match):
|
||
prep = match.group(1) # Предлог (в, с, к...)
|
||
year_str = match.group(2) # Само число
|
||
year_word = match.group(3) # Слово "год", "году" и т.д.
|
||
|
||
# Определяем падеж слова "год" через pymorphy
|
||
parsed = morph.parse(year_word)[0]
|
||
case_tag = parsed.tag.case
|
||
|
||
nw_case = PYMORPHY_TO_NUM2WORDS.get(case_tag, "nominative")
|
||
|
||
# FIX: Pymorphy часто определяет "год" как accs (винительный), что для num2words
|
||
# превращается в родительный (для одушевленных?), давая "2024 года".
|
||
# Если предлога нет, принудительно ставим именительный.
|
||
if not prep and year_word.lower().startswith("год"):
|
||
nw_case = "nominative"
|
||
|
||
# Конвертируем число в порядковое числительное (тысяча девятьсот девяносто девятом)
|
||
words = convert_number(
|
||
year_str, context_type="ordinal", case=nw_case, gender="m"
|
||
)
|
||
|
||
prefix = f"{prep} " if prep else ""
|
||
return f"{prefix}{words} {year_word}"
|
||
|
||
# Регулярка для годов
|
||
text = re.sub(
|
||
r"(?i)\b((?:в|с|к|до|от)\s+)?(\d{3,4})\s+(год[а-я]*)\b",
|
||
replace_year_match,
|
||
text,
|
||
)
|
||
|
||
# 2. Обработка дат: "25 июня", "с 1 мая"
|
||
month_regex = "|".join(MONTHS_GENITIVE)
|
||
|
||
def replace_date_match(match):
|
||
prep = match.group(1)
|
||
day_str = match.group(2)
|
||
month_word = match.group(3)
|
||
|
||
# По умолчанию родительный падеж ("двадцать пятого июня")
|
||
case = "genitive"
|
||
|
||
if prep:
|
||
prep_clean = prep.strip().lower()
|
||
# Специфичные правила для дат
|
||
if prep_clean == "на":
|
||
case = "accusative" # на пятое мая
|
||
elif prep_clean == "по":
|
||
case = "accusative" # по пятое
|
||
elif prep_clean == "к":
|
||
case = "dative" # к пятому
|
||
elif prep_clean in ["с", "до", "от"]:
|
||
case = "genitive" # с пятого
|
||
else:
|
||
morph_case = get_case_from_preposition(prep_clean)
|
||
if morph_case:
|
||
case = PYMORPHY_TO_NUM2WORDS.get(morph_case, "genitive")
|
||
|
||
# Используем средний род ('n') для дат (число - средний род: пятое, пятого)
|
||
words = convert_number(day_str, context_type="ordinal", case=case, gender="n")
|
||
|
||
prefix = f"{prep} " if prep else ""
|
||
return f"{prefix}{words} {month_word}"
|
||
|
||
# Конкатенация regex для месяцев (FIX: используем f-строку)
|
||
text = re.sub(
|
||
rf"(?i)\b((?:с|к|до|от|на|по)\s+)?(\d{{1,2}})\s+({month_regex})\b",
|
||
replace_date_match,
|
||
text,
|
||
)
|
||
|
||
# 3. Обработка всех остальных чисел (Количественные: пять столов, десять минут)
|
||
def replace_cardinal_match(match):
|
||
prep = match.group(1)
|
||
num_str = match.group(2)
|
||
next_word = match.group(3)
|
||
|
||
case = "nominative"
|
||
gender = "m"
|
||
prep_clean = prep.strip().lower() if prep else None
|
||
|
||
if prep_clean:
|
||
morph_case = get_case_from_preposition(prep_clean)
|
||
if morph_case:
|
||
case = PYMORPHY_TO_NUM2WORDS.get(morph_case, "nominative")
|
||
|
||
# Если есть следующее слово, проверяем его род (для "2 минуты" -> "две")
|
||
if next_word:
|
||
word_clean = next_word.strip()
|
||
parsed = morph.parse(word_clean)[0]
|
||
if "NOUN" in parsed.tag:
|
||
morph_gender = parsed.tag.gender
|
||
gender = PYMORPHY_TO_GENDER.get(morph_gender, "m")
|
||
|
||
# Спец-случай: "на 1 час" -> "на один час" (не "одного")
|
||
# Для неодушевленных муж./ср. рода в винительном падеже
|
||
# числительные должны совпадать с именительным.
|
||
if (
|
||
prep_clean == "на"
|
||
and parsed.normal_form in TIME_UNIT_LEMMAS
|
||
and parsed.tag.gender in ("masc", "neut")
|
||
):
|
||
case = "nominative"
|
||
|
||
words = convert_number(
|
||
num_str, context_type="cardinal", case=case, gender=gender
|
||
)
|
||
|
||
# Если конвертация вернула пустую строку (сбой?), возвращаем цифры
|
||
if not words:
|
||
words = num_str
|
||
|
||
prefix = f"{prep} " if prep else ""
|
||
# suffix removed (lookahead)
|
||
return f"{prefix}{words}"
|
||
|
||
# Регулярка теперь захватывает (опционально) следующее слово для определения рода
|
||
|
||
preps_list = "|".join(map(re.escape, PREPOSITION_CASES.keys()))
|
||
text = re.sub(
|
||
rf"(?i)(?<!\w)((?:{preps_list})\s+)?([+-]?\d+(?:[.,]\d+)?)(?=(\s+[а-яА-ЯёЁ]+))?\b",
|
||
replace_cardinal_match,
|
||
text,
|
||
)
|
||
|
||
return text
|
||
|
||
|
||
def clean_response(text: str, language: str = "ru") -> str:
|
||
"""
|
||
Основная функция очистки.
|
||
Убирает Markdown, ссылки, мусор и преобразует числа.
|
||
|
||
Args:
|
||
text: Сырой текст от AI.
|
||
language: Язык (для конвертации чисел, работает только для ru).
|
||
"""
|
||
if not text:
|
||
return ""
|
||
|
||
# Удаление ссылок на источники [1], [citation needed]
|
||
text = re.sub(r"\x5B\d+\x5D", "", text)
|
||
text = re.sub(r"\x5Bcitation\s*needed\x5D", "", text, flags=re.IGNORECASE)
|
||
text = re.sub(r"\x5Bsource\x5D", "", text, flags=re.IGNORECASE)
|
||
|
||
# Удаление жирного шрифта **text** и __text__
|
||
text = re.sub(r"\*\*(.+?)\*\*", r"\1", text)
|
||
text = re.sub(r"__(.+?)__", r"\1", text)
|
||
|
||
# Удаление курсива *text* и _text_
|
||
text = re.sub(r"\*(.+?)\*", r"\1", text)
|
||
text = re.sub(r"(?<!\w)_(.+?)_(?!\w)", r"\1", text)
|
||
|
||
# Удаление зачеркнутого ~~text~~
|
||
text = re.sub(r"~~(.+?)~~", r"\1", text)
|
||
|
||
# Удаление заголовков Markdown (# Header)
|
||
text = re.sub(r"^#{1,6}\s*", "", text, flags=re.MULTILINE)
|
||
|
||
# Удаление картинок  -> удаляем полностью
|
||
text = re.sub(r"!\x5B([^\x5D]*)\x5D\([^)]+\)", "", text)
|
||
|
||
# Удаление ссылок [text](url) -> оставляем только text
|
||
# \x5B = [, \x5D = ]
|
||
text = re.sub(r"\x5B([^\x5D]+)\x5D\([^)]+\)", r"\1", text)
|
||
|
||
# Удаление inline кода `code`
|
||
text = re.sub(r"`([^`]+)`", r"\1", text)
|
||
|
||
# Удаление блоков кода ```code```
|
||
text = re.sub(r"```[\s\S]*?```", "", text)
|
||
|
||
# Удаление маркеров списков (-, *, 1.)
|
||
text = re.sub(r"^\s*[-*+]\s+", "", text, flags=re.MULTILINE)
|
||
text = re.sub(r"^\s*\d+\.\s+", "", text, flags=re.MULTILINE)
|
||
|
||
# Удаление цитат >
|
||
text = re.sub(r"^\s*>\s*", "", text, flags=re.MULTILINE)
|
||
|
||
# Удаление горизонтальных линий ---
|
||
text = re.sub(r"^[-*_]{3,}\s*$", "", text, flags=re.MULTILINE)
|
||
|
||
# Удаление HTML тегов
|
||
text = re.sub(r"<[^>]+>", "", text)
|
||
|
||
# Remove informal slang greetings at the beginning of sentences/responses
|
||
text = re.sub(
|
||
r"^(Эй|Хэй|Слушай|Так|Ну|Короче|В\s+общем)[,!?:]?\s*",
|
||
"",
|
||
text,
|
||
flags=re.IGNORECASE | re.MULTILINE,
|
||
)
|
||
|
||
# Convert numbers to words only for Russian, and only if digits exist
|
||
if language == "ru" and re.search(r"\d", text):
|
||
text = numbers_to_words(text)
|
||
|
||
# Remove extra whitespace
|
||
text = re.sub(r"\n{3,}", "\n\n", text)
|
||
text = re.sub(r" +", " ", text)
|
||
|
||
return text.strip()
|