craw_spider/001.py

# -*- coding: utf-8 -*-
"""原始任务行 → [{"brand","product","spec"}, ...]"""

import re

_RAW = """
天和 骨贴膏通 11
天和 追风膏 9
天和 麝香壮骨膏 5
999 益血生胶囊 1
999 护肝片 1
999 消痔软膏 2
999 玻璃酸钠滴眼液 1
999 尪痹胶囊 1
999 益气清肺颗粒 1
999 气滞胃痛片 1
999 温经汤颗粒 1
999 气滞胃痛颗粒
好娃娃 小儿氨酚烷胺颗粒 2
澳诺 葡萄糖酸钙锌口服溶液 12
易善复 多烯磷脂酰胆碱胶囊 36 5
澳诺 维生素D滴剂 3
999 硝呋太尔制霉素阴道软胶囊 6粒 3
达因 维生素D滴剂 7


天和 骨贴膏通 15
天和 追风膏 25
天和 麝香壮骨膏 25
999 益血生胶囊
999 护肝片 3
999 玻璃酸钠滴眼液 1
999 尪痹胶囊 4
999 消痔软膏 4

999 益气清肺颗粒 1
999 气滞胃痛片
999 温经汤颗粒 3
999 气滞胃痛颗粒 20
好娃娃 小儿氨酚烷胺颗粒 7
澳诺 葡萄糖酸钙锌口服溶液 31
易善复 多烯磷脂酰胆碱胶囊 36 6
澳诺 维生素D滴剂 2
999 硝呋太尔制霉素阴道软胶囊 6粒 4
达因 维生素D滴剂 17

天和 骨贴膏通
天和 追风膏
天和
999 益血生胶囊
999 玻璃酸钠滴眼液 应取消
999 尪痹胶囊
999 益气清肺颗粒 应取消
999 气滞胃痛片 无
999 温经汤颗粒 应取消
999 气滞胃痛颗粒
好娃娃 小儿氨酚烷胺颗粒
澳诺 澳诺葡萄糖酸钙锌口服溶液
易善复 多烯磷脂酰胆碱胶囊
澳诺 澳诺维生素D滴剂 应取消
达因 伊可新维生素AD滴剂
水青 水青硝呋太尔制霉素阴道软胶囊 做企业判断
999 消痔软膏 1
999 护肝片 应取消
"""

_NOTE_ENDINGS = frozenset({"应取消", "无", "做企业判断"})
_SPEC_LAST = re.compile(r"^(\d+粒|\d+支|\d+片|\d+g|\d+G|\d+ml|\d+ML|\d+)$")


def _parse_line(line):
    line = line.strip()
    if not line:
        return None
    parts = line.split()
    brand = parts[0]
    tail = parts[1:]
    if not tail:
        return {"brand": brand, "product": "", "spec": ""}
    while tail and tail[-1].isdigit():
        tail = tail[:-1]
    if not tail:
        return {"brand": brand, "product": "", "spec": ""}
    note = ""
    if tail[-1] in _NOTE_ENDINGS:
        note = tail[-1]
        tail = tail[:-1]
    if not tail:
        return {"brand": brand, "product": "", "spec": note}
    spec_bits = []
    if note:
        spec_bits.append(note)
    prod = tail[:]
    if len(prod) >= 2 and _SPEC_LAST.match(prod[-1]):
        spec_bits.insert(0, prod[-1])
        prod = prod[:-1]
    product = " ".join(prod)
    spec = " ".join(spec_bits) if spec_bits else ""
    return {"brand": brand, "product": product, "spec": spec}


def _build_items(raw_text):
    out = []
    for line in raw_text.splitlines():
        row = _parse_line(line)
        if row:
            out.append(row)
    return out


ITEMS = _build_items(_RAW)

if __name__ == "__main__":
    import json
    print(json.dumps(ITEMS, ensure_ascii=False, indent=2))