bioinformatics-mcp-server/dist/python/extractor.js

🧬 生物信息学MCP服务器 - 专为ModelScope设计的智能生物数据分析工具

import { calculateSimilarity } from '../utils/common.js';
/**
 * 从Claude响应中提取Python脚本
 */
export function extractPythonScripts(text) {
    const scripts = [];
    // 匹配 ```python 代码块
    const pythonCodeBlockRegex = /```python\n([\s\S]*?)```/g;
    let match;
    while ((match = pythonCodeBlockRegex.exec(text)) !== null) {
        const code = match[1].trim();
        // 跳过空代码块或过短的代码块
        if (code.length < 10)
            continue;
        // 检查是否是生物信息学相关的代码
        if (isBioinformaticsScript(code)) {
            // 计算代码行数
            const lineCount = code.split('\n').length;
            // 尝试提取代码前的描述
            const beforeCode = text.substring(0, match.index);
            const description = extractScriptDescription(beforeCode);
            // 提取依赖包
            const dependencies = extractDependencies(code);
            scripts.push({
                code,
                description: description || '自动检测的Python脚本',
                dependencies,
                lineCount
            });
        }
    }
    // 也尝试匹配没有语言标识的代码块，但包含生物信息学关键词
    const genericCodeBlockRegex = /```\n([\s\S]*?)```/g;
    while ((match = genericCodeBlockRegex.exec(text)) !== null) {
        const code = match[1].trim();
        if (code.length < 10)
            continue;
        // 检查是否看起来像Python代码且与生物信息学相关
        if (looksLikePython(code) && isBioinformaticsScript(code)) {
            const beforeCode = text.substring(0, match.index);
            const description = extractScriptDescription(beforeCode);
            // 避免重复添加已经通过python标签提取的代码
            const alreadyExists = scripts.some(script => calculateSimilarity(script.code, code) > 0.8);
            if (!alreadyExists) {
                const lineCount = code.split('\n').length;
                const dependencies = extractDependencies(code);
                scripts.push({
                    code,
                    description: description || '检测到的Python脚本',
                    dependencies,
                    lineCount
                });
            }
        }
    }
    return scripts;
}
/**
 * 检查代码是否与生物信息学相关
 */
function isBioinformaticsScript(code) {
    const bioKeywords = [
        // 生物信息学库
        'biopython', 'pandas', 'numpy', 'matplotlib', 'seaborn', 'scipy',
        'sklearn', 'Bio', 'pysam', 'HTSeq', 'pybedtools', 'plotly', 'bokeh',
        'scanpy', 'anndata', 'leiden', 'louvain', 'statsmodels', 'networkx',
        // 可视化相关
        'plt.', 'pyplot', 'figure', 'subplot', 'plot', 'scatter', 'histogram',
        'heatmap', 'boxplot', 'violinplot', 'barplot', 'lineplot', 'scatterplot',
        'clustermap', 'pairplot', 'distplot', 'jointplot', 'regplot',
        'savefig', 'show()', 'imshow', 'contour', 'pie', 'bar(',
        'sns.', 'seaborn', 'plotly', 'bokeh',
        // 生物信息学术语
        'fastq', 'fasta', 'vcf', 'bam', 'sam', 'bed', 'gtf', 'gff',
        'sequence', 'genome', 'gene', 'protein', 'DNA', 'RNA',
        'alignment', 'blast', 'annotation', 'expression',
        'variant', 'mutation', 'phylogeny', 'assembly',
        'differential', 'enrichment', 'pathway', 'ontology',
        // 常见生物信息学操作
        'SeqIO', 'read_csv', 'read_table', 'clustering', 'pca', 'differential',
        'correlation', 'pathway', 'enrichment', 'ontology',
        'normalize', 'filter', 'quality', 'control',
        // 单细胞分析
        'scanpy', 'anndata', 'adata', 'obs', 'var', 'obsm', 'varm',
        'umap', 'tsne', 'leiden', 'louvain', 'highly_variable',
        'sc.pp.', 'sc.tl.', 'sc.pl.',
        // 基因组学
        'pysam', 'vcf', 'bam', 'sam', 'bed', 'gtf', 'gff',
        'variant', 'mutation', 'snp', 'indel',
        // 蛋白质组学
        'protein', 'peptide', 'proteomics', 'mass', 'spectrometry',
        // 统计分析
        't.test', 'wilcoxon', 'anova', 'chi.square', 'correlation',
        'regression', 'linear', 'logistic',
        // 机器学习
        'sklearn', 'random.forest', 'svm', 'kmeans', 'dbscan',
        'clustering', 'classification', 'regression',
        // 文件扩展名
        '.fastq', '.fasta', '.vcf', '.bam', '.sam', '.bed',
        '.gtf', '.gff', '.csv', '.tsv', '.txt', '.h5ad', '.h5',
        '.png', '.pdf', '.svg', '.jpg', '.jpeg', '.xlsx'
    ];
    const codeUpper = code.toUpperCase();
    return bioKeywords.some(keyword => codeUpper.includes(keyword.toUpperCase()));
}
/**
 * 检查代码是否看起来像Python
 */
function looksLikePython(code) {
    const pythonIndicators = [
        'import ', 'from ', 'def ', 'class ', 'if __name__',
        'print(', '.py', 'pandas', 'numpy', '#!/usr/bin/env python'
    ];
    return pythonIndicators.some(indicator => code.includes(indicator));
}
/**
 * 提取脚本描述
 */
function extractScriptDescription(beforeCode) {
    // 提取代码块前最近的一段文字作为描述
    const lines = beforeCode.split('\n').reverse();
    const descriptionLines = [];
    for (const line of lines) {
        const trimmed = line.trim();
        if (trimmed === '')
            continue;
        // 跳过markdown标记
        if (trimmed.startsWith('#') || trimmed.startsWith('*') ||
            trimmed.startsWith('-') || trimmed.startsWith('>')) {
            descriptionLines.unshift(trimmed);
            continue;
        }
        // 如果是普通文本，添加并停止
        if (trimmed.length > 10 && trimmed.length < 200) {
            descriptionLines.unshift(trimmed);
            break;
        }
    }
    return descriptionLines.join(' ').substring(0, 150);
}
/**
 * 提取Python代码的依赖包
 */
function extractDependencies(code) {
    const dependencies = new Set();
    // 匹配 import 语句
    const importRegex = /^(?:from\s+(\S+)|import\s+(\S+))/gm;
    let match;
    while ((match = importRegex.exec(code)) !== null) {
        const packageName = match[1] || match[2];
        if (packageName) {
            // 提取主包名（去掉子模块）
            const mainPackage = packageName.split('.')[0];
            // 映射常见的包名到pip包名（只映射不同名的包）
            const packageMapping = {
                'Bio': 'biopython',
                'cv2': 'opencv-python',
                'sklearn': 'scikit-learn',
                'PIL': 'Pillow',
                'skimage': 'scikit-image',
                'scanpy': 'scanpy',
                'anndata': 'anndata',
                'pysam': 'pysam',
                'plotly': 'plotly',
                'bokeh': 'bokeh',
                'statsmodels': 'statsmodels',
                'networkx': 'networkx',
                'leidenalg': 'leidenalg',
                'louvain': 'python-louvain',
                'umap': 'umap-learn',
                'tsne': 'tsne-learn'
            };
            const pipPackage = packageMapping[mainPackage] || mainPackage;
            // 只添加非标准库的包
            if (!isStandardLibrary(mainPackage)) {
                dependencies.add(pipPackage);
            }
        }
    }
    return Array.from(dependencies);
}
/**
 * 检查是否为Python标准库
 */
function isStandardLibrary(packageName) {
    const standardLibraries = [
        'os', 'sys', 'json', 'csv', 'sqlite3', 'datetime', 'time', 'random',
        'math', 'statistics', 'collections', 'itertools', 'functools', 'operator',
        'pathlib', 'glob', 'shutil', 'tempfile', 'zipfile', 'tarfile',
        'urllib', 'http', 'email', 'html', 'xml', 'pickle', 'copy',
        'threading', 'multiprocessing', 'subprocess', 'argparse', 'logging',
        'unittest', 're', 'string', 'textwrap', 'unicodedata', 'struct',
        'codecs', 'io', 'base64', 'binascii', 'hashlib', 'hmac', 'secrets'
    ];
    return standardLibraries.includes(packageName);
}