fixed some contitions

server/file_association.py

@@ -243,24 +243,54 @@ def read_docx_content(doc_path: Path) -> List[str]:
                 # 检查当前起始位置是否是 6 行一组模式
                 def is_six_row_group(lines: list, start_idx: int) -> bool:
                     """检查从 start_idx 开始是否是 6 行一组"""
-                    if start_idx + 1 < len(lines):
+                    if start_idx + 5 < len(lines):
                         return is_url_line(lines[start_idx + 1]) and \
-                               is_datetime_line(lines[start_idx + 2])
+                               is_datetime_line(lines[start_idx + 2]) and \
+                               is_url_line(lines[start_idx + 4]) and \
+                               is_datetime_line(lines[start_idx + 5])
+                    return False
+
+                # 检查当前起始位置是否是 5 行一组模式
+                def is_five_row_group(lines: list, start_idx: int) -> bool:
+                    """检查从 start_idx 开始是否是 5 行一组"""
+                    if start_idx + 4 < len(lines):
+                        return is_url_line(lines[start_idx + 1]) and \
+                               is_datetime_line(lines[start_idx + 2]) and \
+                               is_url_line(lines[start_idx + 4])
                     return False
 
                 # 按组处理，每组独立判断 offset
-                # 规则：如果第二行是网址且第三行是日期/时间，则当前 6 行为一组；否则丢弃第一行，继续判断
+                # 规则：优先检查 6 行一组，如果是则合并 6 行；否则检查 5 行一组，如果是则合并 5 行并补充时间；否则丢弃第一行，继续判断
                 result = []
                 i = 0
-                while i + 5 <= len(lines):
-                    # 检查当前位置开始是否是 6 行一组模式
-                    if is_six_row_group(lines, i):
+                while i + 4 <= len(lines):
+                    if i + 5 < len(lines) and is_six_row_group(lines, i):
                         # 是 6 行一组，合并这 6 行
                         combined = '\t'.join(lines[i:i+6])
+                        # 检查并补充缺失的时间信息
+                        parts = combined.split('\t')
+                        if len(parts) >= 3 and not is_datetime_line(parts[2]):
+                            parts[2] = '1970-1-1'
+                        if len(parts) >= 6 and not is_datetime_line(parts[5]):
+                            parts[5] = '1970-1-1'
+                        combined = '\t'.join(parts)
                         result.append(combined)
                         i += 6
+                    elif is_five_row_group(lines, i):
+                        # 是 5 行一组，合并这 5 行并补充时间2
+                        combined = '\t'.join(lines[i:i+5])
+                        # 检查并补充缺失的时间信息
+                        parts = combined.split('\t')
+                        if len(parts) >= 3 and not is_datetime_line(parts[2]):
+                            parts[2] = '1970-1-1'
+                        # 为第二组补充时间
+                        if len(parts) >= 5:
+                            parts.append('1970-1-1')
+                        combined = '\t'.join(parts)
+                        result.append(combined)
+                        i += 5
                     else:
-                        # 不是 6 行一组，丢弃当前行（相当于 offset+1）
+                        # 不是有效组，丢弃当前行（相当于 offset+1）
                         i += 1
                 # 处理剩余行（不足 6 行的）
                 while i < len(lines):