初始提交

This commit is contained in:
root 2025-05-22 11:38:05 +08:00
commit 8bfc191771
4 changed files with 391 additions and 0 deletions

20
sort.json Normal file
View File

@ -0,0 +1,20 @@
{
"游玩类": {
"景点": ["红色景区", "观光街区", "地标建筑", "自然景观", "人文古迹", "古镇/古村"],
"动植物园": ["动物园", "水族馆", "植物园"],
"旅游项目": ["水上体验", "城市/高空观光", "温泉", "滑雪场", "露营地"],
"泛主题乐园": ["游乐园", "影视基地", "水上乐园"],
"展馆/展览": ["博物馆", "展览馆", "科技馆", "美术馆", "艺术馆", "纪念馆"],
"公园广场": ["公园广场"],
"其他游玩": ["其他游玩"]
},
"住宿类": {
"酒店宾馆": ["经济型酒店", "舒适性酒店", "高档型酒店", "豪华型酒店"],
"客栈民宿": ["客栈民宿"],
"其他住宿": ["其他住宿"]
},
"旅行社类": {
"境外旅行社": ["境外旅行社"],
"境内旅行社": ["境内旅行社"]
}
}

90
sql_prompt.py Normal file
View File

@ -0,0 +1,90 @@
import json
import os
import pandas as pd
import sqlite3
# 读取1.json文件
def read_json_file(file_path):
try:
with open(file_path, 'r', encoding='utf-8') as f:
return json.load(f)
except Exception as e:
print(f"读取文件 {file_path} 时出错: {e}")
return {}
# 主要处理函数
def create_prompt_json(data, category_data):
item = data
category = category_data
# 创建包含提示词和两个文件内容的JSON结构
prompt_data = {
"instruction": "将基本信息根据分类体系进行分类判断",
"task_description": "你是一个精准的内容分类专家。请阅读提供的基本信息(item_info),并根据分类体系(category_system)为该项目确定最合适的分类。",
"input": {
"item_info": item,
"category_system": category
},
"output_requirements": {
"fields": {
"primary_category": "一级分类名称",
"secondary_category": "二级分类名称(如果有)",
"tertiary_category": "三级分类名称(如果有)",
"confidence": "分类置信度(0-1)",
"reasoning": "简要说明分类理由"
}
}
}
return prompt_data
# 使用示例
if __name__ == "__main__":
sort_json_path = "sort.json" # 分类信息文件
category_data = read_json_file(sort_json_path)
# 文件路径
table_name = 'data'
conn = sqlite3.connect(f'{table_name}.db') # 替换为您的数据库文件名
cursor = conn.cursor()
sort_name = '产品类型'
sort_value = ('住宿', '门票', '抢购')
num_limit = "500"
# SQL查询 - 随机选择500个指定产品类型的记录
query = f"""
SELECT * FROM data
WHERE {sort_name} IN {sort_value}
ORDER BY RANDOM()
LIMIT {num_limit}
"""
cursor.execute(query)
result = cursor.fetchall()
results = []
for i, row in enumerate(result):
prompt_data = create_prompt_json(row ,category_data)
#print(prompt_data)
result_entry = []
result_entry.extend(row) # 将row的所有元素分别添加到result_entry
result_entry.append(i)
if i == 5:
break
results.append(result_entry)
df = pd.DataFrame(results)
excel_file = '111.xlsx'
# 获取数据库表的列名作为DataFrame的表头
columns = [description[0] for description in cursor.description]
columns.append('index') # 添加index列
df.columns = columns
# 将第三列移到第一列
cols = df.columns.tolist()
third_col = cols.pop(2) # 第三列索引为2
cols.insert(0, third_col)
df = df[cols]
df.to_excel(excel_file, index=False)
print(f"\n所有生成文本已保存到 {excel_file}")
print(results)
# 将结果保存为JSON文件

157
sql_vllm.py Normal file
View File

@ -0,0 +1,157 @@
from openai import OpenAI
import os
import json
import random
import pandas as pd
import re
import sys
import sqlite3
import time
from sql_prompt import create_prompt_json
from sql_prompt import read_json_file
# 自动下载模型时指定使用modelscope; 否则会从HuggingFace下载
os.environ['VLLM_USE_MODELSCOPE']='True'
if __name__ == "__main__":
sys.stdout.reconfigure(encoding='utf-8')
# 连接到数据库
sort_json_path = "sort.json" # 分类信息文件
category_data = read_json_file(sort_json_path)
# 文件路径
table_name = 'data'
conn = sqlite3.connect(f'{table_name}.db') # 替换为您的数据库文件名
cursor = conn.cursor()
sort_name = '产品类型'
sort_value = ('住宿', '门票', '抢购')
num_limit = "500"
# SQL查询 - 随机选择500个指定产品类型的记录
query = f"""
SELECT * FROM data
WHERE {sort_name} IN {sort_value}
ORDER BY RANDOM()
LIMIT {num_limit}
"""
cursor.execute(query)
result = cursor.fetchall()
# 修改 OpenAI 的 API 密钥和 API 基础 URL 以使用 vLLM 的 API 服务器。
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"
client = OpenAI(
api_key=openai_api_key,
base_url=openai_api_base,
)
#work_dir = './prompt'
results = []
for i, row in enumerate(result):
# 记录开始时间
loop_start_time = time.time()
prompt = create_prompt_json(row ,category_data) # 您的prompt文件路径
prompt_str = json.dumps(prompt, ensure_ascii=False) # 将字典转换为JSON字符串保留中文字符
# 使用聊天接口
messages = [
{"role": "user", "content": prompt_str}
]
completion = client.chat.completions.create(
model="Qwen3-8B",
messages=messages
)
# 获取生成的文本
for choice in completion.choices:
generated_text = choice.message.content
# 确保文本使用UTF-8编码
if isinstance(generated_text, bytes):
generated_text = generated_text.decode('utf-8')
elif isinstance(generated_text, str):
# 如果是字符串但编码可能不是UTF-8先转为bytes再解码
try:
generated_text = generated_text.encode('latin-1').decode('utf-8')
except UnicodeError:
# 如果上面的转换失败,保持原样
pass
result_entry = []
result_entry.extend(row) # 将row的所有元素分别添加到result_entry
# 提取</think>后的内容作为最终回答
think_parts = generated_text.split("</think>")
if len(think_parts) > 1:
final_answer = think_parts[1].strip()
# 继续处理的文本改为最终回答部分
processing_text = final_answer
else:
# 如果没有</think>标记,使用原始文本
processing_text = generated_text
# 处理提取出的文本内容
try:
# JSON解析失败使用正则表达式
patterns = {
"primary_category": r'primary_category["\s]*[:]\s*["]*([^",\n}]+)',
"secondary_category": r'secondary_category["\s]*[:]\s*["]*([^",\n}]+)',
"tertiary_category": r'tertiary_category["\s]*[:]\s*["]*([^",\n}]+)',
"confidence": r'confidence["\s]*[:]\s*([0-9.]+)',
"reasoning": r'reasoning["\s]*[:]\s*["]*([^"}\n]+(?:\n[^"}\n]+)*)'
}
# 按顺序提取各个字段的值并追加到result_entry列表
for field, pattern in patterns.items():
match = re.search(pattern, processing_text, re.IGNORECASE)
if match:
# 确保匹配结果使用UTF-8编码
match_text = match.group(1).strip()
if isinstance(match_text, bytes):
match_text = match_text.decode('utf-8')
elif isinstance(match_text, str):
try:
match_text = match_text.encode('latin-1').decode('utf-8', errors='replace')
except UnicodeError:
pass
result_entry.append(match_text)
else:
result_entry.append("")
except Exception as e:
print(f"处理样本 {i} 时出错: {e}")
# 添加处理后的结果
results.append(result_entry)
# 计算并打印本次循环的执行时间
loop_end_time = time.time()
loop_duration = loop_end_time - loop_start_time
print(f"{i+1} 次模型推理时间: {loop_duration:.2f}")
df = pd.DataFrame(results)
excel_file = '500_Qwen3_8B_sort.xlsx'
# 获取数据库表的列名作为DataFrame的表头
columns = [description[0] for description in cursor.description]
columns.append('primary_category')
columns.append('secondary_category')
columns.append('tertiary_category')
columns.append('confidence')
columns.append('reasoning')
# 添加index列
df.columns = columns
# 将第三列移到第一列
cols = df.columns.tolist()
third_col = cols.pop(2) # 第三列索引为2
cols.insert(0, third_col)
df = df[cols]
df.to_excel(excel_file, index=False)
print(f"\n所有生成文本已保存到 {excel_file}")

124
vllm_model.py Normal file
View File

@ -0,0 +1,124 @@
from vllm import LLM, SamplingParams
from transformers import AutoTokenizer
import os
import json
import random
import pandas as pd
import re
# 读取您的prompt.json文件
def load_from_json(json_path):
with open(json_path, 'r', encoding='utf-8') as f:
data = json.load(f)
return data
# 从JSON文件构建提示词
def build_prompt_from_json(prompt_data):
# 根据您的JSON结构提取和组装内容
instruction = prompt_data.get("instruction", "")
task_description = prompt_data.get("task_description", "")
input_data = prompt_data.get("input", {})
output_requirements = prompt_data.get("output_requirements", {})
# 组装完整提示词
prompt = f"{instruction}\n\n{task_description}\n\n"
prompt += f"基本信息:\n{json.dumps(input_data.get('item_info', {}), ensure_ascii=False, indent=2)}\n\n"
prompt += f"分类体系:\n{json.dumps(input_data.get('category_system', {}), ensure_ascii=False, indent=2)}\n\n"
prompt += f"输出要求:\n{json.dumps(output_requirements, ensure_ascii=False, indent=2)}"
return prompt
def get_completion(prompts, model, tokenizer=None, temperature=0.6, top_p=0.95, top_k=20, min_p=0, max_tokens=4096, max_model_len=8192):
stop_token_ids = [151645, 151643]
# 创建采样参数。temperature 控制生成文本的多样性top_p 控制核心采样的概率top_k 通过限制候选词的数量来控制生成文本的质量和多样性, min_p 通过设置概率阈值来筛选候选词,从而在保证文本质量的同时增加多样性
sampling_params = SamplingParams(temperature=temperature, top_p=top_p, top_k=top_k, min_p=min_p, max_tokens=max_tokens, stop_token_ids=stop_token_ids) # max_tokens 用于限制模型在推理过程中生成的最大输出长度
# 初始化 vLLM 推理引擎
llm = LLM(model=model, tokenizer=tokenizer, max_model_len=max_model_len,trust_remote_code=True) # max_model_len 用于限制模型在推理过程中可以处理的最大输入和输出长度之和。
outputs = llm.generate(prompts, sampling_params)
return outputs
# 自动下载模型时指定使用modelscope; 否则会从HuggingFace下载
os.environ['VLLM_USE_MODELSCOPE']='True'
if __name__ == "__main__":
random.seed(114514)
random_numbers = [random.randint(0, 61929) for _ in range(20)]
# 初始化 vLLM 推理引擎
model='/root/autodl-tmp/Qwen/Qwen3-8B' # 指定模型路径
tokenizer = AutoTokenizer.from_pretrained(model, use_fast=False) # 加载分词器
work_dir = './prompt'
data_dir = './data'
results = []
for i in random_numbers:
prompt_json_path = f"{work_dir}/{i}_prompt.json" # 您的prompt文件路径
prompt_data = load_from_json(prompt_json_path)
prompt = build_prompt_from_json(prompt_data)
data_json_path = f"{data_dir}/{i}.json"
data_json = load_from_json(data_json_path)
messages = [
{"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True,
enable_thinking=True # 是否开启思考模式,默认为 True
)
outputs = get_completion(text, model, tokenizer=None, temperature=0.6, top_p = 0.95, top_k=20, min_p=0) # 对于思考模式官方建议使用以下参数temperature = 0.6TopP = 0.95TopK = 20MinP = 0。
for output in outputs:
generated_text = output.outputs[0].text
result_entry = {}
# 首先添加样本ID字段
result_entry["样本ID"] = i
# 添加原始数据字段
if isinstance(data_json, dict):
for key, value in data_json.items():
result_entry[key] = value
# 提取</think>后的内容作为最终回答
think_parts = generated_text.split("</think>")
if len(think_parts) > 1:
final_answer = think_parts[1].strip()
# 继续处理的文本改为最终回答部分
processing_text = final_answer
else:
# 如果没有</think>标记,使用原始文本
processing_text = generated_text
# 处理提取出的文本内容
try:
# JSON解析失败使用正则表达式
patterns = {
"primary_category": r'primary_category["\s]*[:]\s*["]*([^",\n}]+)',
"secondary_category": r'secondary_category["\s]*[:]\s*["]*([^",\n}]+)',
"tertiary_category": r'tertiary_category["\s]*[:]\s*["]*([^",\n}]+)',
"confidence": r'confidence["\s]*[:]\s*([0-9.]+)',
"reasoning": r'reasoning["\s]*[:]\s*["]*([^"}\n]+(?:\n[^"}\n]+)*)'
}
for field, pattern in patterns.items():
match = re.search(pattern, processing_text, re.IGNORECASE)
if match:
result_entry[field] = match.group(1).strip()
except Exception as e:
print(f"处理样本 {i} 时出错: {e}")
# 添加处理后的结果
results.append(result_entry)
# 创建DataFrame并保存到Excel
df = pd.DataFrame(results)
excel_file = '20_random_Qwen3_8B_responses.xlsx'
df.to_excel(excel_file, index=False)
print(f"\n所有生成文本已保存到 {excel_file}")