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>
128 lines
5.9 KiB
Python
128 lines
5.9 KiB
Python
"""Эвристики извлечения, общие для всех форматов.
|
||
|
||
Все табличные источники (xlsx, xls, docx, таблицы из PDF) сводятся к «сетке» —
|
||
списку строк из строковых ячеек — и обрабатываются единым кодом. Здесь собраны
|
||
функции, понимающие реальные особенности казахстанских прайсов: разрядные пробелы
|
||
в числах, многотарифные колонки цен, строки-заголовки секций и шапку не в первой
|
||
строке таблицы.
|
||
"""
|
||
from __future__ import annotations
|
||
|
||
import re
|
||
|
||
Grid = list[list[str]]
|
||
|
||
# Ячейка-цена целиком: «14 400», «12600.0», «3 980», «9000 тг», «от 12000».
|
||
# Требуем, чтобы вся ячейка была числом (плюс валюта или «от»), иначе цифра внутри
|
||
# текста («Раздел 1.Консультации») ошибочно сошла бы за цену.
|
||
_PRICE_CELL_RE = re.compile(
|
||
r"^(?:от\s+)?(\d[\d .,]*\d|\d)\s*(?:тг|тенге|₸|kzt|руб|\$)?\.?$",
|
||
re.IGNORECASE,
|
||
)
|
||
# Похоже на код услуги: «U1.1», «A02.004.000», «1.0», «В02.110.002».
|
||
_CODE_RE = re.compile(r"^[A-ZА-Я]?\.?\d+([.\-]\d+)*[A-ZА-Я]?$")
|
||
|
||
_NAME_KEYS = ("наименование", "услуг", "название", "перечень")
|
||
_PRICE_KEYS = ("цена", "стоимость", "тариф", "тенге")
|
||
_UNIT_KEYS = ("ед.", "единица", "ед изм", "ед. изм")
|
||
_CODE_KEYS = ("код", "№", "тарификатор")
|
||
|
||
# Заголовок ценовой колонки → тип тарифа. Порядок важен: частные случаи раньше общих.
|
||
_TIER_PATTERNS: list[tuple[str, tuple[str, ...]]] = [
|
||
("nonresident", ("нерезидент", "без гражданства", "иностран")),
|
||
("far", ("дальнего", "дальнее")),
|
||
("cis", ("снг", "ближнего", "оралман")),
|
||
("insurance", ("страхов",)),
|
||
("partner", ("партнер", "партнён", "партнёр")),
|
||
("resident", ("резидент", "республики казахстан", " рк", "граждан республики")),
|
||
]
|
||
|
||
|
||
def clean(text) -> str:
|
||
"""Строковое значение ячейки без хвостовых пробелов и переводов строк."""
|
||
if text is None:
|
||
return ""
|
||
return re.sub(r"\s+", " ", str(text)).strip()
|
||
|
||
|
||
def parse_price(text) -> float | None:
|
||
"""Вытащить цену из ячейки, если ВСЯ ячейка — число (плюс валюта или «от»).
|
||
|
||
Возвращает положительный float или None. Намеренно строгая: «Раздел 1.…» или
|
||
«приём (30 минут)» ценой не считаются — это защищает детектор секций.
|
||
"""
|
||
s = clean(text)
|
||
if not s:
|
||
return None
|
||
m = _PRICE_CELL_RE.match(s)
|
||
if not m:
|
||
return None
|
||
raw = m.group(1).replace(" ", "")
|
||
# Есть и точка, и запятая — запятая разрядная; иначе запятая = десятичная.
|
||
if "," in raw and "." in raw:
|
||
raw = raw.replace(",", "")
|
||
else:
|
||
raw = raw.replace(",", ".")
|
||
try:
|
||
value = float(raw)
|
||
except ValueError:
|
||
return None
|
||
return value if value > 0 else None
|
||
|
||
|
||
def looks_like_code(text) -> bool:
|
||
"""Похоже ли значение на код услуги (внутренний или тарификатора)."""
|
||
s = clean(text)
|
||
return bool(s) and len(s) <= 16 and bool(_CODE_RE.match(s))
|
||
|
||
|
||
def classify_price_tier(header_text) -> str | None:
|
||
"""По тексту заголовка ценовой колонки определить тип тарифа."""
|
||
h = clean(header_text).lower()
|
||
if not h:
|
||
return None
|
||
for tier, keys in _TIER_PATTERNS:
|
||
if any(k in h for k in keys):
|
||
return tier
|
||
if any(k in h for k in _PRICE_KEYS):
|
||
return "resident" # обобщённая «Цена»/«Стоимость» — основной тариф
|
||
return None
|
||
|
||
|
||
def _has_key(cells: list[str], keys: tuple[str, ...]) -> bool:
|
||
joined = " | ".join(c.lower() for c in cells)
|
||
return any(k in joined for k in keys)
|
||
|
||
|
||
def find_header_row(grid: Grid, scan: int = 30) -> int:
|
||
"""Найти индекс строки заголовков (она не всегда первая).
|
||
|
||
Заголовок — строка, где есть и колонка названия услуги, и хотя бы одна
|
||
ценовая колонка. Если явной шапки нет, берётся первая строка, под которой
|
||
идут пары «текст + число».
|
||
"""
|
||
best_idx, best_score = -1, 0
|
||
for i, row in enumerate(grid[:scan]):
|
||
cells = [clean(c) for c in row]
|
||
if not any(cells):
|
||
continue
|
||
score = 0
|
||
if _has_key(cells, _NAME_KEYS):
|
||
score += 2
|
||
score += sum(1 for c in cells if classify_price_tier(c))
|
||
if _has_key(cells, _UNIT_KEYS):
|
||
score += 1
|
||
if score > best_score:
|
||
best_idx, best_score = i, score
|
||
if best_idx >= 0 and best_score >= 2:
|
||
return best_idx
|
||
# Фолбэк: первая строка, под которой есть пара «непустой текст + число».
|
||
for i in range(min(scan, len(grid))):
|
||
for j in range(i + 1, min(i + 6, len(grid))):
|
||
cells = [clean(c) for c in grid[j]]
|
||
texts = [c for c in cells if c and not parse_price(c)]
|
||
nums = [c for c in cells if parse_price(c)]
|
||
if texts and nums:
|
||
return i
|
||
return 0
|