feat: 增强数据导入处理，新增非法文段检测与用户确认删除功能；优化原始数据路径创建与日志记录

scripts/import_openie.py

@@ -85,6 +85,7 @@ def handle_import_openie(openie_data: OpenIE, embed_manager: EmbeddingManager, k
         logger.error("系统将于2秒后开始检查数据完整性")
         sleep(2)
         found_missing = False
+        missing_idxs = []
         for doc in getattr(openie_data, "docs", []):
             idx = doc.get("idx", "<无idx>")
             passage = doc.get("passage", "<无passage>")
@@ -104,14 +105,36 @@ def handle_import_openie(openie_data: OpenIE, embed_manager: EmbeddingManager, k
             # print(f"检查: idx={idx}")
             if missing:
                 found_missing = True
+                missing_idxs.append(idx)
                 logger.error("\n")
                 logger.error("数据缺失：")
                 logger.error(f"对应哈希值：{idx}")
                 logger.error(f"对应文段内容内容：{passage}")
                 logger.error(f"非法原因：{', '.join(missing)}")
+        # 确保提示在所有非法数据输出后再输出
         if not found_missing:
-            print("所有数据均完整，没有发现缺失字段。")
+            logger.info("所有数据均完整，没有发现缺失字段。")
             return False
+        # 新增：提示用户是否删除非法文段继续导入
+        # 将print移到所有logger.error之后，确保不会被冲掉
+        logger.info("\n检测到非法文段，共{}条。".format(len(missing_idxs)))
+        logger.info("\n是否删除所有非法文段后继续导入？(y/n): ", end="")
+        user_choice = input().strip().lower()
+        if user_choice != "y":
+            logger.info("用户选择不删除非法文段，程序终止。")
+            sys.exit(1)
+        # 删除非法文段
+        logger.info("正在删除非法文段并继续导入...")
+        # 过滤掉非法文段
+        openie_data.docs = [doc for doc in getattr(openie_data, "docs", []) if doc.get("idx", "<无idx>") not in missing_idxs]
+        # 重新提取数据
+        raw_paragraphs = openie_data.extract_raw_paragraph_dict()
+        entity_list_data = openie_data.extract_entity_dict()
+        triple_list_data = openie_data.extract_triple_dict()
+        # 再次校验
+        if len(raw_paragraphs) != len(entity_list_data) or len(raw_paragraphs) != len(triple_list_data):
+            logger.error("删除非法文段后，数据仍不一致，程序终止。")
+            sys.exit(1)
     # 将索引换为对应段落的hash值
     logger.info("正在进行段落去重与重索引")
     raw_paragraphs, triple_list_data = hash_deduplicate(

scripts/raw_data_preprocessor.py

@@ -5,11 +5,20 @@ import sys  # 新增系统模块导入
 import datetime  # 新增导入
 
 sys.path.append(os.path.abspath(os.path.join(os.path.dirname(__file__), "..")))
-from src.common.logger import get_module_logger
+from src.common.logger_manager import get_logger
+from src.plugins.knowledge.src.lpmmconfig import global_config
 
-logger = get_module_logger("LPMM数据库-原始数据处理")
+logger = get_logger("lpmm")
 ROOT_PATH = os.path.abspath(os.path.join(os.path.dirname(__file__), ".."))
 RAW_DATA_PATH = os.path.join(ROOT_PATH, "data/lpmm_raw_data")
+# 新增：确保 RAW_DATA_PATH 存在
+if not os.path.exists(RAW_DATA_PATH):
+    os.makedirs(RAW_DATA_PATH, exist_ok=True)
+    logger.info(f"已创建目录: {RAW_DATA_PATH}")
+
+if global_config.get("persistence", {}).get("raw_data_path") is not None:
+    IMPORTED_DATA_PATH = os.path.join(ROOT_PATH, global_config["persistence"]["raw_data_path"])
+else:
     IMPORTED_DATA_PATH = os.path.join(ROOT_PATH, "data/imported_lpmm_data")
 
 # 添加项目根目录到 sys.path
@@ -54,7 +63,7 @@ def main():
     print("请确保原始数据已放置在正确的目录中。")
     confirm = input("确认继续执行？(y/n): ").strip().lower()
     if confirm != "y":
-        logger.error("操作已取消")
+        logger.info("操作已取消")
         sys.exit(1)
     print("\n" + "=" * 40 + "\n")
 
@@ -94,6 +103,6 @@ def main():
 
 
 if __name__ == "__main__":
-    print(f"Raw Data Path: {RAW_DATA_PATH}")
-    print(f"Imported Data Path: {IMPORTED_DATA_PATH}")
+    logger.info(f"原始数据路径: {RAW_DATA_PATH}")
+    logger.info(f"处理后的数据路径: {IMPORTED_DATA_PATH}")
     main()