admins
efae54fbad
- единый грид-экстрактор: поиск шапки, роли колонок, секции, N тарифов - отсев колонок-индексов и не-цен; название по доле кириллицы - PDF: реконструкция таблицы по координатам слов (нет линий → extract_tables пуст) - детектор битого текстового слоя → пометка scan_pdf для Vision - проверено на реальном архиве: 6/8 клиник нативно, 15599 позиций; 2 файла → Vision Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
59 lines
2.6 KiB
Python
59 lines
2.6 KiB
Python
"""Диспетчер извлечения: путь к файлу → ParsedDocument.
|
|
|
|
Определяет формат, читает файл в сетки и прогоняет их через общий грид-экстрактор.
|
|
PDF с битым текстовым слоем помечается как scan_pdf — его добирает путь через Vision.
|
|
Любой сбой чтения логируется, но не роняет обработку остального архива.
|
|
"""
|
|
from __future__ import annotations
|
|
|
|
import sys
|
|
from datetime import date
|
|
from pathlib import Path
|
|
|
|
sys.path.insert(0, str(Path(__file__).resolve().parents[2]))
|
|
|
|
from contracts.models import ParsedDocument # noqa: E402
|
|
from etl.extractors import readers # noqa: E402
|
|
from etl.extractors.grid import extract_rows_from_grid # noqa: E402
|
|
|
|
|
|
def extract(path: str) -> ParsedDocument:
|
|
"""Разобрать один файл прайса в структурированный ParsedDocument."""
|
|
name = Path(path).name
|
|
fmt = readers.detect_format(path)
|
|
doc = ParsedDocument(file_name=name, file_format=fmt, partner_name=readers.partner_from_name(name))
|
|
|
|
year = readers.year_from_name(name)
|
|
if year:
|
|
doc.effective_date = date(year, 1, 1)
|
|
|
|
try:
|
|
if fmt == "xlsx":
|
|
grids, text = readers.xlsx_grids(path)
|
|
elif fmt == "xls":
|
|
grids, text = readers.xls_grids(path)
|
|
elif fmt == "docx":
|
|
grids, text = readers.docx_grids(path)
|
|
elif fmt == "pdf":
|
|
grids, text = readers.pdf_grids(path)
|
|
if readers.is_garbled(text):
|
|
doc.file_format = "scan_pdf"
|
|
doc.parse_log.append("битый текстовый слой — требуется распознавание (Vision)")
|
|
else:
|
|
doc.parse_log.append(f"неизвестный формат: {fmt}")
|
|
return doc
|
|
except Exception as exc: # noqa: BLE001 — сбой чтения логируем, конвейер не роняем
|
|
doc.parse_log.append(f"ошибка чтения: {type(exc).__name__}: {exc}")
|
|
return doc
|
|
|
|
doc.raw_content = text[:200_000]
|
|
for grid in grids:
|
|
try:
|
|
doc.rows.extend(extract_rows_from_grid(grid))
|
|
except Exception as exc: # noqa: BLE001
|
|
doc.parse_log.append(f"ошибка разбора таблицы: {type(exc).__name__}: {exc}")
|
|
|
|
if not doc.rows and doc.file_format != "scan_pdf":
|
|
doc.parse_log.append("позиции не извлечены — возможно, нужен Vision или иной парсер")
|
|
return doc
|