feat(etl): извлечение прайсов по форматам (xlsx/xls/docx/pdf) и распознавание сложных страниц через Gemini Vision

2026-06-26 15:10:00 +05:00
parent 3834e4811d
commit 26283d5432
8 changed files with 849 additions and 0 deletions
@@ -0,0 +1,84 @@
+"""Phase 0 proof: справочник загружается, реальный прайс парсится, каскад работает.
+
+Считает базовый процент автосопоставления БЕЗ эмбеддингов (только код тарификатора +
+точное совпадение + RapidFuzz). Эмбеддинги в боевом каскаде поднимут этот процент —
+здесь нужен нижний ориентир, чтобы убедиться, что цель 70% достижима.
+"""
+
+import re
+import sys
+from pathlib import Path
+
+REPO = Path(__file__).resolve().parents[2]
+sys.path.insert(0, str(REPO))
+
+import docx
+from rapidfuzz import fuzz, process
+
+from etl.dictionary import load_dictionary, normalize_name
+
+svcs = load_dictionary(REPO / "data/reference/dictionary.xlsx")
+print(
+    f"Справочник: {len(svcs)} услуг | с кодом тарификатора: {sum(1 for s in svcs if s.tarificator_code)}"
+)
+
+by_code = {s.tarificator_code: s for s in svcs if s.tarificator_code}
+by_norm: dict[str, object] = {}
+for s in svcs:
+    by_norm.setdefault(s.name_norm, s)
+names_norm = [s.name_norm for s in svcs]
+
+# --- разобрать реальный прайс Клиники 1 (docx, таблица «Код | Наименование | Стоимость») ---
+doc = docx.Document(REPO / "data/raw/Клиника 1 прайс 2024.docx")
+table = doc.tables[0]
+
+items = []
+for row in table.rows:
+    cells = [c.text.strip() for c in row.cells]
+    if len(cells) < 3:
+        continue
+    code, name, price = cells[0], cells[1], cells[2]
+    if code == name == price:  # строка-заголовок секции (объединённые ячейки)
+        continue
+    if name.lower() == "наименование услуги":
+        continue
+    if not re.search(r"\d", price):  # строка без цены — не позиция
+        continue
+    items.append((code, name, price))
+
+print(f"Клиника 1 (2024): извлечено позиций — {len(items)}")
+
+THRESHOLD = 88
+matched = by_code_n = by_exact_n = by_fuzzy_n = 0
+examples_ok, examples_miss = [], []
+
+for code, name, price in items:
+    nn = normalize_name(name)
+    if code in by_code:
+        matched += 1
+        by_code_n += 1
+        continue
+    if nn in by_norm:
+        matched += 1
+        by_exact_n += 1
+        continue
+    best = process.extractOne(nn, names_norm, scorer=fuzz.token_set_ratio)
+    if best and best[1] >= THRESHOLD:
+        matched += 1
+        by_fuzzy_n += 1
+        if len(examples_ok) < 6:
+            examples_ok.append((name, svcs[best[2]].name_ru, round(best[1])))
+    elif len(examples_miss) < 6 and best:
+        examples_miss.append((name, svcs[best[2]].name_ru, round(best[1])))
+
+pct = 100 * matched / max(1, len(items))
+print(f"\nАВТО-СОПОСТАВЛЕНО (без эмбеддингов): {matched}/{len(items)} = {pct:.0f}%")
+print(
+    f"   код тарификатора: {by_code_n} | точное имя: {by_exact_n} | fuzzy≥{THRESHOLD}: {by_fuzzy_n}"
+)
+print("\nпримеры совпадений:")
+for raw, canon, sc in examples_ok:
+    print(f"   «{raw[:46]}» → «{canon[:46]}» ({sc})")
+print("\nпримеры в очередь unmatched (лучший кандидат ниже порога):")
+for raw, canon, sc in examples_miss:
+    print(f"   «{raw[:46]}» → лучший «{canon[:40]}» ({sc})")