Jak parsovat jsonData chatGPT - díl 2. části a citace

 

* * *

Ve vašem výpisu už nevidím skutečný text zprávy rozdělený do několika jazykově smíšených fragmentů, ale hromadný seznam objektů citací, který je součástí metadat. Podívejme se, jak to celé sedí:

1. Obsah zprávy (text uživatele nebo asistenta) je vždy v poli

   message.content.parts
   

   a to je pouze seznam řetězců (stringů), například

   "parts": [
     "Toto je celý text jedné odpovědi..."
   ]
   

   nebo u multimédií seznam „asset“ objektů.

2. Separátně od parts bývají v message.metadata různé další pole, například

   "citations": [ {...}, {...}, … ]
   

   a v nich najdete objekty tvaru

   {
     "start_ix": 423,
     "end_ix": 435,
     "citation_format_type": "tether_v4",
     "metadata": {
       "type": "webpage",
       "title": "Mapování psychologických tendencí…",
       "url": "https://…",
       "text": "Uživatel TJV ve svých příspěvcích...",
       …
     }
   }
   

   Tyto objekty nejsou částí pole parts, ale (message.metadata.citations) – takže nejsou přímo součástí pořadí textu, jen k němu dodatečně odkazují (pomocí start_ix/end_ix) na úseky textu.

3. Všechny zprávy i citace jsou zabaleny ve stromu mapping. Ten vám říká, která message (uzel) je rodič, které uzly jsou děti atd.

---

Shrnutí struktury jedné zprávy

"node_id": {
  "id": "…",
  "message": {
    "id": "…",
    "author": { "role": "user" },
    "create_time": 1748…,
    "content": {
      "content_type": "text",
      "parts": [
        "Toto je normální text zprávy; tady je celý řetězec."
      ]
    },
    "status": "finished_successfully",
    "metadata": {
      // další meta, včetně:
      "citations": [
        {
          "start_ix": 423,
          "end_ix": 435,
          "citation_format_type": "tether_v4",
          "metadata": { "type": "webpage", "title": "…", "url": "…", "text": "…" }
        },
        …
      ]
    }
  },
  "parent": "…",
  "children": [ … ]
}

• parts obsahuje čistě text (nebo assety).

• metadata.citations obsahuje objekty, které popisují, jaké citace nebo odkazy se v tom textu vyskytují (ale nejsou to přímé fragmenty parts).

• Když chcete vypsat reálné vzkazy, projděte vždy mapping → node["message"]["content"]["parts"] a ignorujte metadata.citations, pokud se vám nechce ty citace detailně zpracovávat.

---

Takže ten kus, který jste ukázal:

{"start_ix": 423, "end_ix": 435, "citation_format_type": "tether_v4", "metadata": { … }},
{"start_ix": 5026, …}

je právě první a druhý objekt ve seznamu citací message.metadata.citations, nikoli pokračování řetězce zprávy. Každý takový objekt má:

• start_ix/end_ix – pozice v původním textu, kam se citace vztahuje

• citation_format_type – formát (např. tether_v4)

• metadata – podrobné údaje o dané citaci (URL, titul článku, výňatek textu…)

---

Doporučení pro parsování

• Pro čistý text concatenujte všechny položky parts.

• Pokud vás citace zajímají, přečtěte si message.metadata.citations jako samostatné pole.

• Nemíchejte objekty z citations s parts — jsou to dvě různé vrstvy informací.

* * *

V exportovaném JSONu je každá položka v poli jsonData celé jedno „sezení“ (chat). Uvnitř každé položky najdeš:

1. Metainformace sezení

   • title – název/chunk celé session

   • create_time / update_time – kdy bylo sezení vytvořeno a naposledy změněno

2. mapping – slovník všech uzlů (node), kde klíčem je id uzlu a hodnotou objekt:

   "mapping": {
     "<node-id>": {
       "id": "<node-id>",
       "message": { … }  // nebo null pro kořen
       "parent": "<parent-node-id>"  // nebo null
       "children": ["<child-id-1>", …]
     },
     …
   }
   

   • Uzel s message: null (většinou "client-created-root") je virtuální kořen.

   • Ostatní uzly mají v message skutečnou zprávu.

3. Struktura jedné zprávy (message)

   "message": {
     "id": "...",
     "author": { "role": "user" | "assistant" | "system", … },
     "create_time": <float nebo null>,
     "content": {
       "content_type": "text" | "...",
       "parts": [
         "<celý text té jedné zprávy jako jeden řetězec>"
       ]
       // u jiných typů obsahu tu mohou být asset ukazatele místo běžného textu
     },
     "status": "...",
     "metadata": {
       "citations": [ { "start_ix":…, "end_ix":…, "metadata": { "url":…, "text":… } }, … ],
       // další meta jako request_id, parent_id atd.
     },
     "recipient": "...",
     "channel": "..."
   }
   

   • content.parts: ZÁKLADNÍ TEXT zprávy – list řetězců, typicky jednprvkový (parts[0] je celý text).

   • metadata.citations: Samostatné bloky s informacemi o citacích v textu (např. zdroj URL, vypíchnutý text), ale nejsou částí parts.

---

Jak na to:

• Sezení (chat) = jedna položka v jsonData.

• Uzel = jeden záznam ve mapping.

  • Pokud message ≠ null → je to opravdová zpráva.

  • message.content.parts → ZPRÁVA.

  • message.metadata.citations → DODATEČNÉ INFO o tom, co v textu citujete (nejsou to další části textu).

---

Příklad průchodu:

for session in jsonData:
    title = session["title"]
    print("=== Sezení:", title)
    for node_id, node in session["mapping"].items():
        msg = node["message"]
        if msg:
            author = msg["author"]["role"]
            text   = msg["content"]["parts"][0]
            print(f"- {author}: {text[:30]!r}…")
            # pokud chcete i citace:
            for c in msg["metadata"].get("citations", []):
                print("    * citace:", c["metadata"]["text"][:30], "…")

Takhle jasně oddělíte:

1. Normální text (parts)

2. Citace (metadata.citations)

a získáte kompletní obraz struktury i obsahu.