改名

docutranslate/utils/markdown_splitter.py

@@ -0,0 +1,200 @@
+import re
+from typing import List
+
+
+class MarkdownBlockSplitter:
+    def __init__(self, max_block_size: int = 4096):
+        """
+        初始化MarkdownBlockSplitter。
+
+        参数:
+            max_block_size: 每个块的最大大小（以字符为单位）。
+        """
+        self.max_block_size = max_block_size
+
+    def split_markdown(self, markdown_text: str) -> List[str]:
+        """
+        将markdown文本拆分为指定最大大小的块。
+
+        参数:
+            markdown_text: 输入的markdown文本。
+
+        返回:
+            列表形式的markdown块，每个都是一个字符串。
+        """
+        # 使用更简单的方法：按Markdown块拆分
+        # 这比使用AST解析更可靠
+
+        # 模式用于识别markdown块（标题、段落、代码块等）
+        blocks = self._split_into_logical_blocks(markdown_text)
+
+        # 现在合并块以遵守max_block_size
+        result_blocks = []
+        current_block = ""
+
+        for block in blocks:
+            # 如果单个块大于最大大小，则进一步拆分
+            if len(block) > self.max_block_size:
+                # 如果已有累积内容，先添加
+                if current_block:
+                    result_blocks.append(current_block)
+                    current_block = ""
+
+                # 拆分大块
+                large_block_parts = self._split_large_block(block)
+                result_blocks.extend(large_block_parts)
+                continue
+
+            # 如果添加此块会超过限制，则开始新的结果块
+            if len(current_block) + len(block) + 2 > self.max_block_size and current_block:
+                result_blocks.append(current_block)
+                current_block = block
+            else:
+                # 添加到当前块并适当换行
+                if current_block:
+                    current_block += "\n\n" + block
+                else:
+                    current_block = block
+
+        # 如果不为空则添加最后一个块
+        if current_block:
+            result_blocks.append(current_block)
+
+        return result_blocks
+
+    def _split_into_logical_blocks(self, markdown_text: str) -> List[str]:
+        """
+        将markdown文本拆分为逻辑块（标题、段落、代码块等）
+
+        参数:
+            markdown_text: 输入markdown文本
+
+        返回:
+            markdown块列表
+        """
+        # 将Windows换行符替换为Unix风格
+        markdown_text = markdown_text.replace('\r\n', '\n')
+
+        # 匹配代码块的模式（用```或~~~围起来）
+        code_block_pattern = r'(```[\s\S]*?```|~~~[\s\S]*?~~~)'
+
+        # 将文本拆分为代码块和非代码块
+        parts = re.split(code_block_pattern, markdown_text)
+
+        blocks = []
+        for i, part in enumerate(parts):
+            # 如果是代码块（拆分结果中的奇数索引）
+            if i % 2 == 1:
+                blocks.append(part)
+            else:
+                # 对于非代码块，按空行拆分
+                part_blocks = re.split(r'\n\s*\n', part)
+                blocks.extend([b.strip() for b in part_blocks if b.strip()])
+
+        return blocks
+
+    def _split_large_block(self, block: str) -> List[str]:
+        """
+        拆分超过max_block_size的大块。
+
+        参数:
+            block: 一个大的markdown块
+
+        返回:
+            较小的块列表
+        """
+        result = []
+
+        # 检查是否是代码块
+        if block.startswith('```') or block.startswith('~~~'):
+            # 对于代码块，我们需要保留围栏标记
+            fence_marker = '```' if block.startswith('```') else '~~~'
+
+            # 提取语言说明符（如果存在）
+            first_line_end = block.find('\n')
+            first_line = block[:first_line_end]
+            language_spec = first_line[3:].strip()
+
+            # 拆分代码内容
+            code_content = block[first_line_end + 1:-3].strip()
+
+            # 按行拆分
+            lines = code_content.split('\n')
+
+            current_part = [first_line]
+            current_size = len(first_line) + 1  # +1表示换行符
+
+            for line in lines:
+                line_size = len(line) + 1  # +1表示换行符
+
+                if current_size + line_size + 3 > self.max_block_size:  # +3表示关闭围栏
+                    # 关闭当前代码块
+                    current_part.append(fence_marker)
+                    result.append('\n'.join(current_part))
+
+                    # 开始新的代码块
+                    current_part = [f"{fence_marker}{language_spec}"]
+                    current_size = len(current_part[0]) + 1
+
+                current_part.append(line)
+                current_size += line_size
+
+            # 在最后部分添加关闭围栏
+            current_part.append(fence_marker)
+            result.append('\n'.join(current_part))
+
+        else:
+            # 对于其他块，按句子或行拆分
+            if '.' in block or '!' in block or '?' in block:
+                # 按句子拆分
+                sentences = re.split(r'(?<=[.!?])\s+', block)
+
+                current_part = []
+                current_size = 0
+
+                for sentence in sentences:
+                    if current_size + len(sentence) + 1 > self.max_block_size and current_part:
+                        result.append(' '.join(current_part))
+                        current_part = [sentence]
+                        current_size = len(sentence)
+                    else:
+                        current_part.append(sentence)
+                        current_size += len(sentence) + 1  # +1表示空格
+
+                if current_part:
+                    result.append(' '.join(current_part))
+            else:
+                # 按行拆分
+                lines = block.split('\n')
+
+                current_part = []
+                current_size = 0
+
+                for line in lines:
+                    if current_size + len(line) + 1 > self.max_block_size and current_part:
+                        result.append('\n'.join(current_part))
+                        current_part = [line]
+                        current_size = len(line)
+                    else:
+                        current_part.append(line)
+                        current_size += len(line) + 1  # +1表示换行符
+
+                if current_part:
+                    result.append('\n'.join(current_part))
+
+        return result
+
+
+def split_markdown_text(markdown_text, max_block_size=4096):
+    """
+    将markdown字符串拆分为不超过max_block_size的块。
+
+    参数:
+        markdown_text: 输入markdown文本
+        max_block_size: 每个块的最大字符数
+
+    返回:
+        markdown块列表
+    """
+    splitter = MarkdownBlockSplitter(max_block_size=max_block_size)
+    return splitter.split_markdown(markdown_text)