优化切片，增加章节图片信息

chunk_text.py

@@ -1255,7 +1255,7 @@ def find_ship_info_by_hull(json_file_path, data):
     except json.JSONDecodeError:
         print("错误：JSON 文件格式不正确")
         return None
-def merge_short_slices(slices, min_length=30,filename="122-06A0014-B01003_雷达-使用说明书.pdf"):
+# def merge_short_slices(slices, min_length=30,filename="122-06A0014-B01003_雷达-使用说明书.pdf"):
     """ 
     合并过短的切片：
     - 如果某切片 content 长度 <= min_length，则将其合并到下一个切片的开头
@@ -1351,6 +1351,111 @@ def merge_short_slices(slices, min_length=30,filename="122-06A0014-B01003_雷达
             ins['content'] = content[:newline_idx] + suffix + content[newline_idx:]
 
     return result
+
+
+def merge_short_slices(slices, min_length=30, filename="122-06A0014-B01003_雷达-使用说明书.pdf"):
+    """ 
+    合并过短的切片：
+    - 如果某切片 content 长度 <= min_length，则将其合并到下一个切片的开头
+    - 若处于末尾无下一个切片，则反向合并到上一个切片末尾
+    - content 用换行拼接，positions 顺序拼接
+    
+    Args:
+        slices: [{"content": str, "positions": [...]}]
+        min_length: 短切片的字符长度阈值（含）
+        filename: 用于实体提取的文件名
+    
+    Returns:
+        合并后的 slices 列表
+    """
+    if not slices:
+        return slices
+
+    result = []
+    pending_contents = []  # 缓存等待合并到"下一个"的短切片 content
+    pending_positions = []  # 缓存对应的 positions
+
+    for ins in slices:
+        content = ins.get("content", "") or ""
+        positions = ins.get("positions", []) or []
+
+        if len(content) <= min_length:
+            # 暂存，等到下一个正常长度的切片再合并
+            pending_contents.append(content)
+            pending_positions.extend(positions)
+        else:
+            # 正常切片：把暂存的短切片合并到它的开头
+            if pending_contents:
+                merged_prefix = "\n".join(pending_contents)
+                content = merged_prefix + ("\n" if merged_prefix else "") + content
+                positions = pending_positions + positions
+                pending_contents = []
+                pending_positions = []
+            
+            result.append({
+                "content": content,
+                "positions": positions
+            })
+
+    # 收尾：如果末尾还有未合并的短切片（后面没有正常切片可合并）
+    # 则反向合并到上一个切片末尾
+    if pending_contents:
+        merged_suffix = "\n".join(pending_contents)
+        if result:
+            last = result[-1]
+            last["content"] = (last["content"] or "") + ("\n" if last["content"] else "") + merged_suffix
+            last["positions"] = (last["positions"] or []) + pending_positions
+        else:
+            # 极端情况：所有切片都很短，整体作为一个切片返回
+            result.append({
+                "content": merged_suffix,
+                "positions": pending_positions
+            })
+
+    try:
+        final_result = get_entity(filename)
+        xinghao = find_ship_info_by_hull(SHIP_MODEL_NAME, final_result)
+        if xinghao is None:  # 确保 xinghao 为 None 时不会报错
+            xinghao = {"model_name": "", "ship_name": ""}
+            print("未找到匹配的舰船信息")
+
+        # 安全处理 xinghao 为 None 的情况
+        model_name = ""
+        if xinghao and 'model_name' in xinghao:
+            model_name = xinghao['model_name']
+            
+        other_data = format_entity_text(final_result)
+        logger.info(f"文件名实体提取成功: {other_data}")
+    except Exception as e:
+        logger.warning(f"文件名实体提取失败: {e}")
+        other_data = ""
+        model_name = ""  # 确保异常时 model_name 有定义
+
+    # 将提取的信息（如舰艇名、型号）注入到每个切片的开头
+    for ins in result:
+        content = ins['content']
+        # 如果没有提取到有效数据，则跳过注入
+            
+        newline_idx = content.find('\n')
+        info = other_data
+        if model_name:
+            info += f'，型号为{model_name}'
+        
+        # ===== 修改部分：拼接文件名 + 实体信息 =====
+        # 构建前缀：#文件名为：xxx.pdf(实体信息）
+        filename_prefix = f"#文件名为：{filename}"
+        if info:
+            filename_prefix += f"({info}）"
+        # 注意：这里使用全角右括号"）"以匹配你的示例，如需半角请改为 ")"
+        
+        # 将前缀插入到 content 的最开头
+        if content:
+            ins['content'] = filename_prefix + "\n" + content
+        else:
+            ins['content'] = filename_prefix
+        # ==========================================
+
+    return result
 def find_and_read_content_list(directory, original_filename, encoding='utf-8'):
     """
     根据原始文件名，在指定目录及其子目录下查找对应的 _content_list.json 文件并返回内容。