Merge pull request #47 from 1041206149/LLM_dafen

e06084 · web-flow · commit e4194fc1936b · 2025-09-17T19:01:47.000+08:00
使用LLM修正预测公式
diff --git a/examples/multi_extractor_compare.py b/examples/multi_extractor_compare.py
@@ -8,7 +8,7 @@ def all_extractor_comparison():
     print("\n=== 多抽取器对比演示 ===\n")
     
     # 创建数据集
-    dataset_path = Path("data/sample_dataset.jsonl")
+    dataset_path = Path("../data/WebMainBench_llm-webkit_v1_WebMainBench_7887_within_formula.jsonl")
     dataset = DataLoader.load_jsonl(dataset_path)
     
     # 创建webkit抽取器
diff --git a/webmainbench/data/saver.py b/webmainbench/data/saver.py
@@ -303,14 +303,14 @@ def save_dataset_with_extraction(results: Union["EvaluationResult", Dict[str, An
 
                     # 解析预测值（predicted）
                     predicted_content = extraction_result.get('extracted_content', '')
-                    predicted_parts = BaseMetric._extract_from_markdown(predicted_content)  # 关键：解析预测内容
+                    predicted_parts = BaseMetric._extract_from_markdown(predicted_content, field_name="llm_webkit_md")  # 关键：解析预测内容
                     for part_type in ['code', 'formula', 'table', 'text']:
                         sample_dict[f'{current_extractor_name}_predicted_{part_type}'] = predicted_parts.get(part_type, '')
 
             # 解析真实值（groundtruth）- 只需要解析一次
             if extractor_names:  # 只有当存在extractor时才解析
                 groundtruth_content = sample_dict.get('groundtruth_content', '')
-                groundtruth_parts = BaseMetric._extract_from_markdown(groundtruth_content)  # 关键：解析真实内容
+                groundtruth_parts = BaseMetric._extract_from_markdown(groundtruth_content, field_name="groundtruth_content")  # 关键：解析真实内容
                 for part_type in ['code', 'formula', 'table', 'text']:
                     # 使用第一个extractor的名字作为前缀，或者使用通用前缀
                     prefix = extractor_names[0] if len(extractor_names) == 1 else 'groundtruth'
diff --git a/webmainbench/metrics/base.py b/webmainbench/metrics/base.py
@@ -8,6 +8,8 @@
 import traceback
 import re
 from bs4 import BeautifulSoup
+import os
+import hashlib
 
 @dataclass
 class MetricResult:
@@ -121,16 +123,16 @@ def batch_calculate(self, predicted_list: List[Any],
             result = self.calculate(pred, gt, **kwargs)
             results.append(result)
         return results
-    
+
     @staticmethod
-    def split_content(text: str, content_list: List[Dict[str, Any]] = None) -> Dict[str, str]:
+    def split_content(text: str, content_list: List[Dict[str, Any]] = None, field_name: str = None) -> Dict[str, str]:
         """
         统一的内容分割方法，将文本分为代码、公式、表格和剩余文本4个部分。
-        
+
         Args:
             text: 原始markdown文本
             content_list: 结构化内容列表（来自llm-webkit等）
-            
+            field_name: 当前处理的字段名称，传递给_extract_from_markdown
         Returns:
             Dict with keys: 'code', 'formula', 'table', 'text'
         """
@@ -139,9 +141,9 @@ def split_content(text: str, content_list: List[Dict[str, Any]] = None) -> Dict[
             extracted_content = BaseMetric._extract_from_content_list(content_list)
             if any(extracted_content.values()):
                 return extracted_content
-        
-        # 从markdown文本中提取
-        return BaseMetric._extract_from_markdown(text or "")
+
+        # 从markdown文本中提取，传递字段名称
+        return BaseMetric._extract_from_markdown(text or "", field_name=field_name)
     
     @staticmethod
     def _extract_from_content_list(content_list: List[Dict[str, Any]]) -> Dict[str, str]:
@@ -193,12 +195,12 @@ def _recursive_extract(items):
             'text': '\n'.join(extracted['text'])
         }
     
-    @staticmethod 
-    def _extract_from_markdown(text: str) -> Dict[str, str]:
+    @staticmethod
+    def _extract_from_markdown(text: str, field_name: str = None) -> Dict[str, str]:
         """从markdown文本中提取各种类型的内容"""
         if not text:
             return {'code': '', 'formula': '', 'table': '', 'text': ''}
-        
+
         # 收集所有需要移除的内容片段
         extracted_segments = []
         code_parts = []
@@ -291,34 +293,56 @@ def _extract_from_markdown(text: str) -> Dict[str, str]:
             if code_content.strip():
                 code_parts.append(code_content)
 
-        # 提取公式
+        # 提取公式 - 新的两步处理逻辑
         formula_parts = []
-        # 统一的公式提取模式
+
+        # 第一步：先用正则提取公式
+        regex_formulas = []
         latex_patterns = [
-            # r'(?<!\\)\$\$([^$]+)\$\$(?!\\)',  # Display math (not escaped)
-            # r'(?<!\\)\$([^$\n]+)\$(?![\\\$])',  # Inline math (not escaped)
-            # r'\\begin\{equation\*?\}(.*?)\\end\{equation\*?\}',  # Equation environment
-            # r'\\begin\{align\*?\}(.*?)\\end\{align\*?\}',        # Align environment
-            # r'\\begin\{gather\*?\}(.*?)\\end\{gather\*?\}',      # Gather environment
-            # r'\\begin\{eqnarray\*?\}(.*?)\\end\{eqnarray\*?\}',  # Eqnarray environment
-            # r'\\begin\{multline\*?\}(.*?)\\end\{multline\*?\}',  # Multline environment
-            # r'\\begin\{split\}(.*?)\\end\{split\}',              # Split environment
-            # r'(?<!\\)\$\$([^$]+)\$\$(?!\\)',
-            # r'(?<!\\)\$([^$\n\w][^$\n]*[^$\n\w])\$(?![\\\$])',
-            r'(?<!\\)\$\$(.*?)(?<!\\)\$\$',  # 行间 $$...$$，确保 $ 没有被转义
-            r'(?<!\\)\\\[(.*?)(?<!\\)\\\]',  # 行间 \[...\]，确保 \ 没有被转义
-            r'(?<!\\)\$(.*?)(?<!\\)\$',  # 行内 $...$，确保 $ 没有被转义
-            # r'(?<!\\)\$(.*?)(?<!\\)\$(?!\d)',  # 第二个$后面不能是数字
-            r'(?<!\\)\\\((.*?)(?<!\\)\\\)',  # 行内 \(...\)，确保 \ 没有被转义
+            r'(?<!\\)\$\$(.*?)(?<!\\)\$\$',  # 行间 $$...$$
+            r'(?<!\\)\\\[(.*?)(?<!\\)\\\]',  # 行间 \[...\]
+            r'(?<!\\)\$(.*?)(?<!\\)\$',  # 行内 $...$
+            r'(?<!\\)\\\((.*?)(?<!\\)\\\)',  # 行内 \(...\)
         ]
-        
+
         for pattern in latex_patterns:
             for match in re.finditer(pattern, text, re.DOTALL):
-                formula_full = match.group(0)  # 完整匹配（包含$符号）
-                formula_content = match.group(1)  # 只是公式内容
+                formula_full = match.group(0)
+                formula_content = match.group(1)
                 extracted_segments.append(formula_full)
                 if formula_content.strip():
-                    formula_parts.append(formula_content.strip())
+                    regex_formulas.append(formula_content.strip())
+
+        # 第二步：根据字段类型决定是否需要API修正
+        if field_name == "groundtruth_content":
+            print(f"[DEBUG] 检测到groundtruth内容，仅使用正则提取公式")
+            formula_parts = regex_formulas
+        else:
+            print(f"[DEBUG] 检测到llm_webkit_md内容，使用正则+API修正模式")
+            # 对于llm_webkit_md，将正则结果传递给API进行修正
+            if regex_formulas:
+                # 将正则提取的公式作为输入传递给API
+                regex_formulas_text = '\n'.join(regex_formulas)
+                print(f"[DEBUG] 正则提取到 {len(regex_formulas)} 个公式，准备API修正")
+
+                cache_dir = os.path.join(os.path.dirname(os.path.abspath(__file__)), '.cache')
+                os.makedirs(cache_dir, exist_ok=True)
+
+                # 使用正则结果的哈希作为缓存文件名
+                text_hash = hashlib.md5(regex_formulas_text.encode('utf-8')).hexdigest()
+                cache_file = os.path.join(cache_dir, f'formula_correction_cache_{text_hash}.json')
+
+                try:
+                    from .formula_extractor import correct_formulas_with_llm
+                    corrected_formulas = correct_formulas_with_llm(regex_formulas, cache_file)
+                    formula_parts = corrected_formulas
+                    print(f"[DEBUG] API修正成功，最终得到 {len(formula_parts)} 个公式")
+                except Exception as e:
+                    print(f"[DEBUG] API修正失败: {type(e).__name__}: {e}，使用正则结果")
+                    formula_parts = regex_formulas
+            else:
+                print(f"[DEBUG] 正则未提取到公式，跳过API修正")
+                formula_parts = []
 
         # 提取表格
         table_parts = []
@@ -468,4 +492,4 @@ def __str__(self) -> str:
         return f"{self.__class__.__name__}(name='{self.name}')"
     
     def __repr__(self) -> str:
-        return self.__str__() 
+        return self.__str__()
diff --git a/webmainbench/metrics/formula_extractor.py b/webmainbench/metrics/formula_extractor.py
@@ -0,0 +1,115 @@
+# webmainbench/metrics/formula_extractor.py
+import json
+import os
+from openai import OpenAI
+
+def correct_formulas_with_llm(regex_formulas, cache_file=None):
+    """使用LLM API修正正则提取的公式"""
+
+    if not regex_formulas:
+        print(f"[DEBUG] 输入公式列表为空，跳过API修正")
+        return []
+
+    # 检查缓存
+    if cache_file and os.path.exists(cache_file):
+        try:
+            with open(cache_file, 'r', encoding='utf-8') as f:
+                cached_result = json.load(f)
+                print(f"[DEBUG] 从缓存加载修正结果: {len(cached_result)} 个")
+                return cached_result
+        except Exception as e:
+            print(f"[DEBUG] 缓存读取失败: {e}")
+
+    # API配置
+    client = OpenAI(
+        base_url="",
+        api_key=""
+    )
+
+    # 将正则提取的公式转换为文本
+    formulas_text = '\n'.join(regex_formulas)
+
+    CORRECTION_PROMPT = '''任务：请从以下正则表达式提取的内容中，识别并保留真正的LaTeX数学公式，剔除货币形式的内容。
+
+    ### 识别规则
+    **真正的数学公式**（保留）：
+    - 包含数学符号：+ - × ÷ = < > ≤ ≥ ± ∞ ∑ ∫ ∂ √ ^ _ { } 等
+    - 包含希腊字母：α β γ δ θ λ μ π σ ω 等
+    - 包含LaTeX命令：\\frac \\sum \\int \\sqrt \\alpha \\beta \\sin \\cos 等
+    - 包含数学表达式：变量、函数、方程等
+
+    **货币形式内容**（剔除）：
+    - 仅包含数字、逗号、小数点的价格：如 1,150.00
+    - 纯粹的金额数值：如 25.99、1,200、5.50
+    - 不包含任何数学运算符或数学符号的数字
+
+    ### 处理要求
+    1. **严格区分**：只保留真正的数学公式，剔除所有货币价格
+    2. **格式标准化**：统一公式格式，确保LaTeX语法正确
+    3. **保持原意**：不修改数学公式内容
+    
+    ### 输出格式
+    - 每个有效的数学公式独占一行
+    - 只输出公式内容，不包含$符号或其他包装
+    - 如果输入不是有效的数学公式（如货币），则输出<空>
+    - 按原顺序输出保留的公式
+
+    ### 示例 1 (剔除后有有效公式)
+    输入：1,150.00 → 剔除（货币）
+    输入：x^2 + y^2 = r^2 → 保留（数学公式）
+    输入：25.99 → 剔除（货币）
+    输入：\\frac{a}{b} + c → 保留（数学公式）
+    
+    ### 示例 2 (剔除后无有效公式)
+    输入：1,150.00 → 剔除（货币）
+    输入：25.99 → 剔除（货币）
+    
+    输出：<空>
+    
+    注意，输出结果中不要添加任何解释！。
+    [输入内容列表开始]'''
+
+    try:
+        print(f"[DEBUG] 开始调用 OpenAI API 进行公式修正...")
+        response = client.chat.completions.create(
+            model="deepseek-chat",
+            temperature=0,
+            messages=[
+                {"role": "user", "content": CORRECTION_PROMPT + f"\n{formulas_text}\n" + '''[输入内容列表结束]
+---
+请按要求识别并输出真正的数学公式，剔除货币形式的内容。
+---'''}
+            ]
+        )
+
+        result_text = response.choices[0].message.content.strip()
+        print(f"[DEBUG] API 返回修正结果: {repr(result_text)}")
+
+        # 检测返回内容是否包含"空"字 - 如果包含则整个结果为空
+        if '空' in result_text:
+            print(f"[DEBUG] 检测到API返回包含'空'字，将整个结果设置为空列表")
+            corrected_formulas = []
+        elif not result_text:
+            corrected_formulas = []
+        else:
+            # 正常解析返回的公式列表
+            corrected_formulas = [line.strip() for line in result_text.split('\n') if line.strip()]
+
+        print(f"[DEBUG] 修正后的公式列表: {corrected_formulas}")
+
+        # 保存缓存
+        if cache_file:
+            try:
+                os.makedirs(os.path.dirname(cache_file), exist_ok=True)
+                with open(cache_file, 'w', encoding='utf-8') as f:
+                    json.dump(corrected_formulas, f, ensure_ascii=False, indent=2)
+                print(f"[DEBUG] 修正结果已缓存到: {cache_file}")
+            except Exception as e:
+                print(f"[DEBUG] 缓存保存失败: {e}")
+
+        return corrected_formulas
+
+    except Exception as e:
+        print(f"[DEBUG] API 修正异常: {type(e).__name__}: {e}")
+        print(f"[DEBUG] 回退到原始正则结果")
+        return regex_formulas
