before combine

.gitignore

@@ -2,4 +2,5 @@
 psrc/__pycache__/
 psrc/stage1/__pycache__/
 psrc/stage2/__pycache__/
+Papers/
 json/
\ No newline at end of file

logs/citation_process.log

@@ -1779,3 +1779,7 @@
 2025-05-09 07:14:21,653 - INFO - 是
 2025-05-09 07:14:22,729 - INFO - Matched: 获取访存依赖_并发程序动态分析基础技术综述.pdf.pdf -> idx: 37, excel_name:  获取访存依赖: 并发程序动态分析基础技术综述
 2025-05-09 07:14:22,729 - INFO - Change: 获取访存依赖_并发程序动态分析基础技术综述.pdf.pdf -> 37-获取访存依赖_并发程序动态分析基础技术综述.pdf
+2025-05-09 13:16:29,040 - INFO - 程序启动，日志文件保存在: C:\Users\17046\Documents\papertools\logs\citation_process.log
+2025-05-09 13:16:29,535 - INFO - Processing sheet: j20
+2025-05-09 13:16:29,546 - WARNING - No BibTeX entry found in sheet j20 row 3
+2025-05-09 13:16:29,547 - INFO - Processing 10331530.pdf

psrc/2-qiye/qiyeguojia.py

+# Siming Lan
+# 导入必要的库
+import pandas as pd  # 数据处理
+import re  # 正则表达式
+import xlwings as xw  # Excel操作
+from openpyxl import load_workbook  # Excel文件操作
+from openpyxl.utils.dataframe import dataframe_to_rows  # DataFrame转Excel行
+import pdb  # 调试工具
+
+# 定义输入输出文件名
+input_name = 'j24_target.xlsx'  # 输入文件基础名
+input_file = input_name + '.xlsx'  # 输入Excel文件名
+output_file = input_name + '-qiye.xlsx'  # 输出Excel文件名
+
+def find_header_rows(file_path):
+    """
+    查找Excel文件中每个工作表的表头行
+    参数:
+        file_path: Excel文件路径
+    返回:
+        字典: {工作表名: 表头行号}
+    """
+    workbook = xw.Book(file_path)  # 打开Excel文件
+    header_rows_dict = {}  # 存储结果
+    for sheet in workbook.sheets:  # 遍历所有工作表
+        header = None
+        # 检查前5行是否有"序号"列(用于确定表头位置)
+        for row in range(1, 6):
+            if sheet.range(f'A{row}').value == "序号":
+                header = row - 1  # 表头行是"序号"所在行的上一行
+                break
+        header_rows_dict[sheet.name] = header  # 记录表头行号
+    workbook.close()  # 关闭Excel文件
+    return header_rows_dict
+
+# 读取知名企业列表Excel文件
+famous_companies_df = pd.read_excel("知名企业5.8.xlsx")
+company_dict = {}  # 存储企业名和别名的字典，格式: {企业名/别名: 索引}
+
+# 构建企业名称字典
+for idx, row in famous_companies_df.iterrows():
+    company_name = row["企业名"]  # 获取企业名
+    aliases = row.get("别名", "")  # 获取别名(可能为空)
+    
+    # 处理别名(按分号分隔)
+    if isinstance(aliases, str):
+        aliases = aliases.split(';')
+    else:
+        aliases = []
+
+    # 添加企业名到字典(索引从1开始)
+    company_dict[company_name.strip()] = idx + 1
+    
+    # 添加所有别名到字典(指向同一个索引)
+    for alias in aliases:
+        alias = alias.strip()
+        if alias:  # 跳过空别名
+            company_dict[alias] = idx + 1
+
+# 存储处理结果
+results = {}
+# 获取输入文件中所有工作表的表头行号
+header_rows = find_header_rows(input_file)
+
+def process_column_name(col_name):
+    """处理列名: 去除换行符和首尾空格"""
+    return col_name.replace('\n', '').strip()
+
+# 处理每个工作表
+for sheet_name, header in header_rows.items():
+    # 读取Excel工作表(跳过表头行)
+    df = pd.read_excel(input_file, sheet_name=sheet_name, header=header)
+    
+    # 处理列名: 去除换行符和空格
+    df.columns = [process_column_name(col) for col in df.columns]
+    
+    # 检查必要列是否存在
+    required_columns = ["引文机构", "知名企业名称（参考知名企业列表）", "引文机构在知名企业中的索引"]
+    if not all(col in df.columns for col in required_columns):
+        print(f"跳过 {sheet_name}：缺少必要列")
+        continue  # 跳过缺少必要列的工作表
+
+    # 初始化结果列表
+    company_names_list = []  # 存储匹配的企业名称
+    company_indexes_list = []  # 存储匹配的企业索引
+
+    # 处理每一行数据
+    for _, row in df.iterrows():
+        # 分割"引文机构"列(按分号或换行符), 并过滤空值
+        institutions = [inst for inst in re.split(r'[;\n]', str(row["引文机构"]).strip()) if inst]
+        names = []  # 存储当前行匹配的企业名
+        indexes = []  # 存储当前行匹配的企业索引
+
+        # 处理每个机构名称
+        for inst in institutions:
+            inst_clean = inst.strip()
+            # 处理中文逗号，避免影响匹配
+            inst_clean = inst_clean.replace("，", ",")
+            inst_clean = inst_clean.replace(",", " , ").strip()
+            
+            # 标志是否匹配到企业
+            matched = False
+
+            # 遍历企业字典进行匹配
+            for company in company_dict:
+                # 判断企业名是否包含英文字母
+                if re.search(r'[a-zA-Z]', company):  
+                    # 英文企业名匹配: 前后必须是单词边界(防止部分匹配)
+                    pattern = r'(^|\s)' + re.escape(company) + r'(\s|$)'
+                    if re.search(pattern, inst_clean):
+                        names.append(company)
+                        indexes.append(str(company_dict[company]))
+                        matched = True
+                        break
+                else:
+                    # 中文企业名匹配: 直接包含判断
+                    if company in inst_clean:
+                        names.append(company)
+                        indexes.append(str(company_dict[company]))
+                        matched = True
+                        break
+
+            # 如果没有匹配到企业
+            if not matched:
+                names.append("")  # 空字符串表示未匹配
+                indexes.append("无")  # "无"表示未匹配
+
+        # 将当前行的匹配结果拼接成字符串
+        company_names = ";".join([n for n in names if n])  # 过滤空名称
+        company_indexes = ";".join(indexes)
+        company_names_list.append(company_names)
+        company_indexes_list.append(company_indexes)
+
+    # 更新DataFrame
+    df["知名企业名称（参考知名企业列表）"] = company_names_list
+    df["引文机构在知名企业中的索引"] = company_indexes_list
+
+    # 保存处理后的结果
+    results[sheet_name] = df
+
+# 加载源文件(用于保留格式)
+wb = load_workbook(input_file)
+
+# 创建新的Excel文件
+with pd.ExcelWriter(output_file, engine='openpyxl') as writer:
+    # 处理每个工作表
+    for sheet_name, df in results.items():
+        # 获取源工作表
+        source_sheet = wb[sheet_name]
+        # 创建新工作表
+        dest_sheet = writer.book.create_sheet(sheet_name)
+
+        # 复制第一行第一列的内容和格式(通常是标题)
+        source_cell = source_sheet.cell(row=1, column=1)
+        dest_cell = dest_sheet.cell(row=1, column=1)
+        dest_cell.value = source_cell.value
+        if source_cell.font.color:
+            dest_cell.font = source_cell.font.copy()  # Updated to use the recommended copy method
+            dest_cell.font.color = source_cell.font.color  # Set color separately
+
+        # 将DataFrame写入Excel
+        for r_idx, row in enumerate(dataframe_to_rows(df, index=False, header=True), start=2):
+            for c_idx, value in enumerate(row, start=1):
+                dest_cell = dest_sheet.cell(row=r_idx, column=c_idx)
+                dest_cell.value = value
+
+    # 设置活动工作表(与源文件相同)
+    if wb.active:
+        writer.book.active = writer.book[wb.active.title]
\ No newline at end of file