225 lines
9.2 KiB
Python
225 lines
9.2 KiB
Python
from elasticsearch7 import Elasticsearch
|
||
from general_functions import save_error
|
||
from ner_proccess import inference_main
|
||
import os
|
||
from services import pos_tagger
|
||
from funcs import save_to_file_by_address, read_file_by_address, write_to_json, read_from_json
|
||
|
||
# ##################################
|
||
# برای محتوای مواد و احکام قانون که از معاونت قوانین مجلس در ایندکس الاستیک ذخیره شده است
|
||
# qanon_section-v02
|
||
# تحلیل روی بعضی فیلدها می کند و تاریخ های آن را استخراج و تبدیل به فرمت خاص تایم استمپ می کند
|
||
# و در فیدل مناسب در همان ایندکس الاستیک ذخیره میکند
|
||
# توجه : دسترسی به الاستیک باید باشد
|
||
# ##################################
|
||
|
||
|
||
index_name_i = "semantic_search-v09" # الاستیک موجود روی جی پی یو
|
||
# index_name_o = 'mj_qa_test-v01'
|
||
# is_update_state = False
|
||
index_name_o = "ai_mj_qa_section-v05"
|
||
is_update_state = False
|
||
|
||
|
||
mapping_o = ""
|
||
|
||
es = Elasticsearch(
|
||
"http://127.0.0.1:6900",
|
||
basic_auth=("elastic", "SG*7eGwg+KG2_*-1_mMm")
|
||
)
|
||
|
||
try:
|
||
if not es.indices.exists(index=index_name_o):
|
||
response = es.indices.create(index=index_name_o, body=mapping_o)
|
||
# print out the response:
|
||
print("create index response:", response)
|
||
except:
|
||
print("elastic error")
|
||
|
||
counter = 0
|
||
total = 0
|
||
id = ""
|
||
|
||
|
||
def es_iterate_all_documents(es, index, pagesize=250, scroll_timeout="25m", **kwargs):
|
||
"""
|
||
Helper to iterate ALL values from a single index
|
||
Yields all the documents.
|
||
"""
|
||
global counter
|
||
global total
|
||
is_first = True
|
||
while True:
|
||
# Scroll next
|
||
if is_first: # Initialize scroll
|
||
# result = es.search(index=index, scroll="2m", **kwargs, body={
|
||
# "size": pagesize
|
||
# })
|
||
result = es.search(
|
||
index=index,
|
||
scroll="2m",
|
||
**kwargs,
|
||
size=pagesize,
|
||
body={
|
||
"query": {
|
||
"bool": {
|
||
"must_not": [
|
||
{"exists": {"field": "nlp_parser.type"}},
|
||
{"match": {"content_len": 0}},
|
||
{"match": {"parse_state": 1}},
|
||
{"match": {"parse_state": 2}}
|
||
]
|
||
}
|
||
}
|
||
}
|
||
)
|
||
total = result["hits"]["total"]["value"]
|
||
print("total = %d" % total)
|
||
is_first = False
|
||
else:
|
||
result = es.scroll(scroll_id=scroll_id, scroll=scroll_timeout)
|
||
scroll_id = result["_scroll_id"]
|
||
hits = result["hits"]["hits"]
|
||
counter += len(hits)
|
||
print("progress -> %.2f %%" % ((counter / total) * 100))
|
||
# Stop after no more docs
|
||
if not hits:
|
||
break
|
||
# Yield each entry
|
||
yield from ({"source": hit["_source"], "id": hit["_id"]} for hit in hits)
|
||
|
||
def es_iterate_some_documents(es, index, records, pagesize=250, scroll_timeout="25m", **kwargs):
|
||
|
||
global counter
|
||
global total
|
||
is_first = True
|
||
query = {
|
||
"query": {
|
||
"terms": {
|
||
"_id": records
|
||
}
|
||
}
|
||
}
|
||
while True:
|
||
# Scroll next
|
||
if is_first: # Initialize scroll
|
||
# result = es.search(index=index, scroll="2m", **kwargs, body={
|
||
# "size": pagesize
|
||
# })
|
||
result = es.search(
|
||
index=index,
|
||
scroll="2m",
|
||
**kwargs,
|
||
size=pagesize,
|
||
body= query
|
||
)
|
||
total = result["hits"]["total"]["value"]
|
||
print("total = %d" % total)
|
||
is_first = False
|
||
else:
|
||
result = es.scroll(scroll_id=scroll_id, scroll=scroll_timeout)
|
||
scroll_id = result["_scroll_id"]
|
||
hits = result["hits"]["hits"]
|
||
counter += len(hits)
|
||
print("progress -> %.2f %%" % ((counter / total) * 100))
|
||
# Stop after no more docs
|
||
if not hits:
|
||
break
|
||
# Yield each entry
|
||
yield from ({"source": hit["_source"], "id": hit["_id"]} for hit in hits)
|
||
|
||
def prepare_data(ner_obj_list):
|
||
ner_data_list = []
|
||
for ner_obj in ner_obj_list:
|
||
ner_data = {
|
||
"key" :ner_obj['ner_key'],
|
||
"value" :ner_obj['ner_value'],
|
||
"begin" :ner_obj['ner_start_token'],
|
||
"end" :ner_obj['ner_end_token'],
|
||
"score" :ner_obj['ner_score']
|
||
}
|
||
|
||
ner_data_list.append(ner_data)
|
||
return ner_data_list
|
||
|
||
try:
|
||
try:
|
||
list = read_from_json("./data/selected_sentences_110.json")
|
||
|
||
except Exception as e:
|
||
print(' reading from file error! ')
|
||
save_error(0, e)
|
||
|
||
|
||
count = 0
|
||
novalid = -15000000000
|
||
sections_110_ners = []
|
||
for i, mentry in enumerate(list):
|
||
try:
|
||
count += 1
|
||
id = mentry["id"]
|
||
qanon_id = mentry["qanon_id"]
|
||
content = mentry["content"]
|
||
topic = mentry["topic"]
|
||
content_len = len(content.split())
|
||
# qid = int(qanon_id.replace('mj_qa_qavanin_',''))
|
||
# if qid < 84996:
|
||
# continue
|
||
except:
|
||
pass
|
||
# count += 1
|
||
# entry = ''
|
||
# content = '''ماده ۹ - کلیه دستگاههای اجرائی موضوع ماده (۵) قانون مدیریت خدمات کشوری مصوب 8 /7 /1386 با اصلاحات و الحاقات بعدی و ماده (۵) قانون محاسبات عمومی کشور مصوب 1 /6 /1366 با اصلاحات و الحاقات بعدی و نیروهای مسلح جمهوری اسلامی ایران (موضوع ماده (۲) قانون استخدام نیروی انتظامی جمهوری اسلامی ایران مصوب 20 /12 /1382 با اصلاحات و الحاقات بعدی)، مکلفند عوارض و بهای خدمات شهرداری ها و دهیاری های موضوع این قانون را همه ساله حداکثر تا پایان سال مالی به شهرداری یا دهیاری مربوط واریز کنند. ذی حساب و رئیس دستگاه مربوط، در تاریخ ۱۴۰۱/۵/۳ مسؤول حسن اجرای قانون خانواده و جوانی جمعیت که در مهرماه سال 1401 تصویب شده می باشند.
|
||
# در روز نوزدهم دی ماه سال یکهزار وسیصد و نود و سه برای اولین بار مسئله جمعیت به صورت جدی مورد مطالعه شد. در مورخه 1314.1.17 نیز این مسئله توسط مجلس ملی به صحن آورده شد. هم چنین شورای نگهبان و سازمان محیط زیست و نیز سازمان جوانان هلال احمر در مورد قانون صیانت از کاربران در فضای مجازی با توجه به قانون هوای پاک که در مجلس شورای اسلامی و سازمان محیط زیست به تصویب رسیده مسئول هستند.'''
|
||
# content_len = ''
|
||
# id = 100
|
||
|
||
print('ner task --------------> ' + str(count))
|
||
# if count > 1000 :
|
||
# break
|
||
|
||
if content_len == 0:
|
||
continue
|
||
|
||
# parse_state = 1
|
||
try:
|
||
#model_name = 'orgcatorg/xlm-v-base-ner *** learning_rate=0.5e-4 # mini_batch_size = 10 # max_epochs = 10'
|
||
ner_obj_list, content_ai, ner_result = inference_main('orgcatorg/xlm-v-base-ner', content)
|
||
status_code, pos_tags = pos_tagger(content)
|
||
if not ner_result[0]:
|
||
# ذخیره شناسه قانون و شناسه مقرره فعلی
|
||
separator = '*'*70
|
||
error = f"\nsection_id= {id}\nlaw_id= {qanon_id}\nerror_msg= {ner_result[1]}\ncontent= {content}\n{separator}"
|
||
# لیستی از مقرراتی که در اضافه شدن به خطا خورده به همراه
|
||
address = os.getcwd() + '/Flair_NER/data/ner_reg_errors_14030617.txt'
|
||
save_to_file_by_address(address, error)
|
||
address2 = os.getcwd() + '/Flair_NER/data/ner_reg_list_14030617.txt'
|
||
save_to_file_by_address(address2, id + '\n')
|
||
continue
|
||
# ner_obj_list, content_ai = [] , content
|
||
ner_data_list = prepare_data(ner_obj_list)
|
||
|
||
# parse_state = 1
|
||
except Exception as e:
|
||
# parse_state = 2
|
||
save_error(id, e)
|
||
|
||
|
||
sections_110_ners.append({
|
||
"id": id,
|
||
"qanon_d": qanon_id,
|
||
"topic": topic,
|
||
"content": content,
|
||
"content_ai": content_ai,
|
||
"ners_v1": ner_data_list,
|
||
"pos_tags": pos_tags
|
||
})
|
||
|
||
address = "./data/sections_110_ner.json"
|
||
write_to_json(sections_110_ners, address)
|
||
|
||
except Exception as e:
|
||
save_error(id, e)
|
||
|
||
print(" # # # regulations NER finished! # # # ")
|