1. 背景
本qiang~本周在处理手头项目工作的时候，遇到了一个问题，就是友方提供了一个公司名称列表(量不小~，因此无法人工处理)，且该公司名称列表均为简称，需要与库中的全称做一个映射匹配。
看似简单的一个需求，但传统的技术手段貌似都无法派上用场，比如语义相似度，文本编辑距离等等。
因此本qiang花费了半天的时间思考并解决了该任务，遂将工作记录如下，且本着开放共享，将核心源码进行公开，欢迎讨论~
2.整体框架
其实，原理也非常简单，由于本地数据库缺乏公司的完整信息，但可以借助互联网资源来搜索公司的相关信息，比如官网介绍、天眼查等来源，然后将检索后的结果通过大模型自带的推理能力输出最终结果。
本文中使用的搜索引擎是duckduckgo_search(需要kexue上网)，大模型调用使用的duckduckgo_search内部集成的gpt-4o-mini（理论上只要能kexue上网，即可免费使用gpt-4o-mini）。
3. 效果展示
|------------|-----------------|
| AutoX | 深圳安途智行科技有限公司 |
| Cosmose | 翱觅苷（上海）信息科技有限公司 |
| Magic Data | 北京晴数智慧科技有限公司 |
| Minimax | 名之梦（上海）科技有限公司 |
| Momenta | 北京初速度科技有限公司 |
| Testin云测 | 北京云测信息技术有限公司 |
| 一流科技 | 一流科技有限公司 |
| 三六零 | 三六零安全科技股份有限公司 |
| 东杰智能 | 东杰智能科技集团股份有限公司 |
| 东软 | 东软集团股份有限公司 |
| 中心通讯 | 中兴通讯股份有限公司 |
| 中科创达 | 中科创达软件股份有限公司 |
| 中科曙光 | 曙光信息产业股份有限公司 |
| 中科视拓 | 中科视拓（北京）科技有限公司 |
| 中译语通 | 中译语通科技股份有限公司 |
| 九四智能 | 广州九四智能科技有限公司 |
| 九章云极 | 北京九章云极科技有限公司 |
| 云天励飞 | 深圳云天励飞技术股份有限公司 |
| 云徙科技 | 广州云徙科技有限公司 |
| 亚信科技 | 亚信科技控股有限公司 |
4. 全部源码
由于调用检索相对耗时，因此分为公司简称检索和公司全称提取两个模块
4.1公司简称检索
from duckduckgo_search import DDGS
import json
import time
def save_datas(file_path, datas, json_flag=True, all_flag=False, with_indent=False, mode='w'):
"""保存文本文件"""
with open(file_path, mode, encoding='utf-8') as f:
if all_flag:
if json_flag:
f.write(json.dumps(datas, ensure_ascii=False, indent= 4 if with_indent else None))
else:
f.write(''.join(datas))
else:
for data in datas:
if json_flag:
f.write(json.dumps(data, ensure_ascii=False) + '\n')
else:
f.write(data + '\n')
def search_companies(companies):
results = []
for company in companies:
if '公司' in company:
results.append({
'company': company,
'search_results': 'company'
})
continue
text = f'{company} 公司名全称'
search_results = None
while search_results is None:
try:
search_results = DDGS().text(text, max_results=10)
if search_results: break
except Exception as e:
print('sleep 2s')
time.sleep(2)
continue
results.append({
'company': company,
'search_results': search_results
})
time.sleep(2)
save_datas('data/公司简称检索结果.json', results)
def get_datas(file_path, json_flag=True, all_flag=False, mode='r'):
"""读取文本文件"""
results = []
with open(file_path, mode, encoding='utf-8') as f:
for line in f.readlines():
if json_flag:
results.append(json.loads(line))
else:
results.append(line.strip())
if all_flag:
if json_flag:
return json.loads(''.join(results))
else:
return '\n'.join(results)
return results
if __name__ == '__main__':
search_companies(get_datas('data/公司简称列表.txt', json_flag=False))View Code
4.2公司全名提取
from duckduckgo_search import DDGS
import json
import time
PROMPT = """你是一个助手，你的任务是基于输入的公司名简称以及搜索结果，分析并提取出公司名简称对应的公司名全称。要求如下：
1. "简称"是公司名简称，"搜索结果"是基于互联网的搜索后的资源，需要根据"简称"和"搜索结果"进行分析，并输出公司全称，如果无法确认，请返回"无"；
2. 如果检索结果不包含公司全称，请基于你所学习的知识可以进一步判断;
3. 输出结果只包含公司名的全称信息，且只能包含一个，不需要输出解释信息;
4. 输入的公司名简称均是科技领域的知名公司，这点请注意；
示例：
简称: 京东
搜索结果：
1. 京东（中国1998年创立的自营式电商企业）_百度百科\n京东（股票代码：jd），中国自营式电商企业，创始人刘强东初期担任京东集团董事局主席兼首席执行官，2021年9月，徐雷获任集团总裁。京东旗下设有京东商城、京东金融、拍拍网、京东智能、o2o及海外事业部等。1998年6月18日，刘强东在 中关村成立京东公司。
2. 京东集团 - 维基百科，自由的百科全书\n东集团. 京东集团 （NASDAQ： JD 、 港交所： 9618 、 港交所： 89618 （人民幣結算）），前稱 360buy 和 京東商城，由刘强东于1998年6月18日创立，是一家总部位于 北京 的 中国 电子商务公司，主要為 B2C 模式的購物網站 。. 2014年，京东集团在 美国 纳斯达克证券交易 ...
3. 京东集团股份有限公司 - 爱企查\n简介： 京东集团股份有限公司（JD.com, Inc.）于2006年11月6日在在英属维尔京群岛注册成立的公司，通过中国境内的子公司和VIE开展经营活动，公司总部位于北京。. 京东是专业的综合性网上购物商城，是中国B2C市场最大的3C网购专业平台，是中国电子商务领域最受 ...
输出: 京东集团股份有限公司
现在，请按照要求完成：
简称: {company_name}
搜索结果: {search_results}
输出:
"""
def save_datas(file_path, datas, json_flag=True, all_flag=False, with_indent=False, mode='w'):
"""保存文本文件"""
with open(file_path, mode, encoding='utf-8') as f:
if all_flag:
if json_flag:
f.write(json.dumps(datas, ensure_ascii=False, indent= 4 if with_indent else None))
else:
f.write(''.join(datas))
else:
for data in datas:
if json_flag:
f.write(json.dumps(data, ensure_ascii=False) + '\n')
else:
f.write(data + '\n')
def get_datas(file_path, json_flag=True, all_flag=False, mode='r'):
"""读取文本文件"""
results = []
with open(file_path, mode, encoding='utf-8') as f:
for line in f.readlines():
if json_flag:
results.append(json.loads(line))
else:
results.append(line.strip())
if all_flag:
if json_flag:
return json.loads(''.join(results))
else:
return '\n'.join(results)
return results
def get_company_full_names():
results = []
for ele in get_datas('data/公司简称检索结果.json'):
company_name = ele['company']
search_results = ele['search_results']
if isinstance(search_results, str):
results.append(f'{company_name}\t{company_name}')
continue
prompt = PROMPT.format(company_name=company_name, search_results=search_results)
result = ''
while result == '':
try:
result = DDGS().chat(prompt, model='gpt-4o-mini')
if result.strip(): break
except Exception as e:
time.sleep(2)
continue
results.append(f'{company_name}\t{result}')
save_datas('data/公司全称提取结果.txt', results, json_flag=False)
if __name__ == '__main__':
get_company_full_names()View Code
5.总结
一句话足矣~
开发了一款基于公司简称补全公司全称的工具，包括具体的框架、实现原理以及完整源码，满满诚意，提供给各位看官。欢迎转发、订阅~有问题可以私信或留言沟通！
虽然需求比较简单，且实现过程也比较简单，但通过搜索引擎搜素以及大模型的各种奇技淫巧，相信可以完成更加复杂且效果惊艳的项目。
有兴趣的客官可以进行沟通合作，感谢~
6.参考
(1) Duckduckgo_search: https://github.com/deedy5/duckduckgo_search.git
