version 001.002 - extracción y creación de campos personalizados, análisis completo del objeto document de Document AI
This commit is contained in:
parent
7a8e19284e
commit
8d71bf80d9
@ -1,68 +1,84 @@
|
||||
# services/invoice_processor_service.py
|
||||
import logging
|
||||
import re
|
||||
from typing import Dict, List, Any, Optional
|
||||
import json # Necesario para formatear el JSON de salida
|
||||
|
||||
# IMPORTAMOS EL TIPO Document y el MessageToJson para la depuración
|
||||
from google.cloud.documentai_v1.types import Document
|
||||
from google.protobuf.json_format import MessageToJson
|
||||
|
||||
from .gcp_document_ai_client import process_document_gcp
|
||||
from .utils import data_cleaner
|
||||
from core.config import settings
|
||||
|
||||
# --- La función _extract_specific_fields NO necesita cambios en esta fase de depuración ---
|
||||
# Puedes dejar la versión anterior, ya que el problema está en los datos de entrada que recibe.
|
||||
def _extract_specific_fields(
|
||||
document: Document,
|
||||
default_confidence_override: Optional[float] = None
|
||||
) -> Dict[str, str]:
|
||||
# ... (código de la respuesta anterior, no es necesario cambiarlo ahora)
|
||||
"""
|
||||
Extrae datos usando una lógica de "Texto Bruto Unificado" para los importes,
|
||||
haciéndolo inmune a errores de formato del OCR como saltos de línea inesperados.
|
||||
"""
|
||||
extracted_data = {field: "Not found or low confidence" for field in settings.REQUIRED_FIELDS}
|
||||
default_threshold = default_confidence_override if default_confidence_override is not None else settings.CONFIDENCE_THRESHOLDS["__default__"]
|
||||
full_text_lines = document.text.split('\n')
|
||||
default_threshold = default_confidence_override if default_confidence_override is not None else settings.CONFIDENCE_THRESHOLDS.get("__default__", 0.85)
|
||||
|
||||
# --- PASO 1: LÓGICA DE BÚSQUEDA POR PATRONES EN TEXTO BRUTO UNIFICADO ---
|
||||
# Normalizamos el texto completo, reemplazando saltos de línea por espacios.
|
||||
full_text_normalized = " ".join(document.text.split())
|
||||
logging.info(f"Texto completo normalizado para búsqueda: '{full_text_normalized}'")
|
||||
|
||||
amounts_calculated_by_rule = False
|
||||
|
||||
# Buscamos el patrón maestro en el texto completo normalizado.
|
||||
# Este patrón busca "Total", un número, y el desglose del IVA entre paréntesis.
|
||||
master_pattern = re.search(r'Total\s*([\d.,]+)€?\s*\(\s*incluye\s+([\d.,]+)€?\s*IVA\s*\)', full_text_normalized, re.IGNORECASE)
|
||||
|
||||
if master_pattern:
|
||||
logging.info("¡ÉXITO! Patrón maestro de importes encontrado en el texto completo.")
|
||||
total_str_raw = master_pattern.group(1)
|
||||
tax_str_raw = master_pattern.group(2)
|
||||
|
||||
total_str = data_cleaner.clean_numeric_value(total_str_raw)
|
||||
tax_str = data_cleaner.clean_numeric_value(tax_str_raw)
|
||||
|
||||
try:
|
||||
total_float = float(total_str)
|
||||
tax_float = float(tax_str)
|
||||
subtotal = total_float - tax_float
|
||||
|
||||
extracted_data['total_amount'] = f"{total_float:.2f}"
|
||||
extracted_data['total_tax_amount'] = f"{tax_float:.2f}"
|
||||
extracted_data['subtotal_amount'] = f"{subtotal:.2f}"
|
||||
extracted_data['net_amount'] = f"{subtotal:.2f}"
|
||||
|
||||
amounts_calculated_by_rule = True
|
||||
logging.info("Importes calculados con éxito por regla de negocio.")
|
||||
except (ValueError, TypeError) as e:
|
||||
logging.error(f"Error al convertir importes para el cálculo: {e}")
|
||||
else:
|
||||
logging.warning("Patrón maestro de importes NO encontrado en el texto completo normalizado.")
|
||||
|
||||
# --- PASO 2: PROCESAR EL RESTO DE ENTIDADES SIMPLES ---
|
||||
for entity in document.entities:
|
||||
entity_type = entity.type_
|
||||
if entity_type not in settings.REQUIRED_FIELDS or entity_type in ['total_tax_amount', 'subtotal_amount']:
|
||||
|
||||
# Saltamos los campos que ya hemos calculado por reglas o que no nos interesan
|
||||
if entity_type in ['total_amount', 'net_amount', 'subtotal_amount', 'total_tax_amount'] or entity_type not in settings.REQUIRED_FIELDS:
|
||||
continue
|
||||
|
||||
threshold = settings.CONFIDENCE_THRESHOLDS.get(entity_type, default_threshold)
|
||||
if entity.confidence >= threshold:
|
||||
raw_text = entity.mention_text.strip()
|
||||
if entity_type == 'invoice_date':
|
||||
extracted_data[entity_type] = data_cleaner.normalize_date(raw_text) or f"Unparseable Date: '{raw_text}'"
|
||||
elif entity_type == 'total_amount':
|
||||
contextual_line = None
|
||||
logging.info(f"Buscando contexto para '{raw_text}' con la palabra clave 'Total'")
|
||||
for line in full_text_lines:
|
||||
if raw_text in line and "total" in line.lower():
|
||||
contextual_line = line
|
||||
logging.info(f"Contexto definitivo para total_amount encontrado: '{contextual_line}'")
|
||||
break
|
||||
text_to_parse = contextual_line if contextual_line else raw_text
|
||||
parsed_amounts = data_cleaner.parse_total_and_tax(text_to_parse)
|
||||
total_str = parsed_amounts.get('total_amount')
|
||||
tax_str = parsed_amounts.get('total_tax_amount')
|
||||
if total_str:
|
||||
extracted_data['total_amount'] = total_str
|
||||
if tax_str:
|
||||
extracted_data['total_tax_amount'] = tax_str
|
||||
try:
|
||||
subtotal = float(total_str) - float(tax_str)
|
||||
subtotal_str = f"{subtotal:.2f}"
|
||||
extracted_data['subtotal_amount'] = subtotal_str
|
||||
extracted_data['net_amount'] = subtotal_str
|
||||
except (ValueError, TypeError):
|
||||
logging.error("Error de conversión para cálculo de subtotal.")
|
||||
else:
|
||||
extracted_data['total_tax_amount'] = '0.00'
|
||||
extracted_data['subtotal_amount'] = total_str
|
||||
if extracted_data.get('net_amount') == "Not found or low confidence":
|
||||
extracted_data['net_amount'] = total_str
|
||||
elif entity_type in ['net_amount', 'subtotal_amount']:
|
||||
if extracted_data.get(entity_type) == "Not found or low confidence":
|
||||
extracted_data[entity_type] = data_cleaner.clean_numeric_value(raw_text)
|
||||
else:
|
||||
extracted_data[entity_type] = raw_text.replace('\n', ' ').strip()
|
||||
extracted_data[entity_type] = raw_text.replace('\n', ' ')
|
||||
|
||||
# --- PASO 3 (Fallback): Si las reglas fallaron, usamos los valores de las entidades ---
|
||||
if not amounts_calculated_by_rule:
|
||||
logging.warning("No se aplicaron reglas de negocio para importes. Usando entidades como fallback.")
|
||||
for entity in document.entities:
|
||||
if entity.type_ in ['total_amount', 'net_amount', 'subtotal_amount']:
|
||||
if extracted_data.get(entity.type_) == "Not found or low confidence":
|
||||
extracted_data[entity.type_] = data_cleaner.clean_numeric_value(entity.mention_text)
|
||||
|
||||
return extracted_data
|
||||
|
||||
|
||||
@ -71,7 +87,7 @@ def process_invoice_from_bytes(
|
||||
mime_type: str,
|
||||
default_confidence_override: Optional[float] = None
|
||||
) -> Dict[str, str]:
|
||||
""" Orquesta el proceso completo e imprime la respuesta de GCP para depuración. """
|
||||
""" Orquesta el proceso completo. """
|
||||
try:
|
||||
document = process_document_gcp(
|
||||
project_id=settings.GCP_PROJECT_ID,
|
||||
@ -80,23 +96,9 @@ def process_invoice_from_bytes(
|
||||
file_bytes=file_bytes,
|
||||
mime_type=mime_type,
|
||||
)
|
||||
|
||||
# --- INICIO DEL BLOQUE DE DEPURACIÓN ---
|
||||
# Convertimos la respuesta completa del objeto 'Document' a un JSON legible.
|
||||
document_json = MessageToJson(document._pb)
|
||||
# Lo cargamos como un objeto Python para poder formatearlo bonito (indentado).
|
||||
document_dict = json.loads(document_json)
|
||||
|
||||
# Imprimimos en el log de la consola con un formato claro.
|
||||
logging.critical("\n\n" + "="*20 + " INICIO RESPUESTA COMPLETA DE DOCUMENT AI " + "="*20)
|
||||
logging.critical(json.dumps(document_dict, indent=2, ensure_ascii=False))
|
||||
logging.critical("="*20 + " FIN RESPUESTA COMPLETA DE DOCUMENT AI " + "="*20 + "\n\n")
|
||||
# --- FIN DEL BLOQUE DE DEPURACIÓN ---
|
||||
|
||||
validated_data = _extract_specific_fields(document, default_confidence_override)
|
||||
logging.info(f"Datos finales procesados: {validated_data}")
|
||||
return validated_data
|
||||
|
||||
except Exception as e:
|
||||
logging.error(f"Error en el flujo de procesamiento de factura: {e}", exc_info=True)
|
||||
raise
|
||||
@ -28,7 +28,6 @@ def normalize_date(date_string: str) -> Optional[str]:
|
||||
return parsed_date.strftime('%d/%m/%Y') if parsed_date else None
|
||||
# --- FIN DE LA SECCIÓN SIN CAMBIOS ---
|
||||
|
||||
|
||||
def clean_numeric_value(text: str) -> str:
|
||||
"""Función pública para limpiar y normalizar un string numérico."""
|
||||
if not text: return "0.00"
|
||||
@ -42,55 +41,24 @@ def parse_total_and_tax(text: str) -> Dict[str, Optional[str]]:
|
||||
"""
|
||||
Versión final y robusta. Parsea un string que contiene el total y el IVA.
|
||||
"""
|
||||
logging.info(f"Texto original recibido para parsing: '{text}'")
|
||||
normalized_text = " ".join(text.split())
|
||||
logging.info(f"Texto normalizado para la regex: '{normalized_text}'")
|
||||
|
||||
logging.info(f"Analizando línea de importe: '{text}'")
|
||||
result = {'total_amount': None, 'total_tax_amount': None}
|
||||
|
||||
normalized_text = " ".join(text.split())
|
||||
|
||||
total_match = re.search(r'([\d.,]+)', normalized_text)
|
||||
# Regex para el total: busca el primer número después de la palabra "Total"
|
||||
total_match = re.search(r'total\s*([\d.,]+)', normalized_text, re.IGNORECASE)
|
||||
if total_match:
|
||||
result['total_amount'] = clean_numeric_value(total_match.group(1))
|
||||
|
||||
# Regex Definitiva: más tolerante con el texto que rodea al número del IVA
|
||||
tax_match = re.search(r'\(.*?(?:incluye|incluido|iva)\s+([\d.,]+).*?\)', normalized_text, re.IGNORECASE)
|
||||
|
||||
if tax_match:
|
||||
result['total_tax_amount'] = clean_numeric_value(tax_match.group(1))
|
||||
logging.info(f"¡ÉXITO! Importe de IVA encontrado y limpiado: {result['total_tax_amount']}")
|
||||
else:
|
||||
logging.warning(f"No se encontró desglose de IVA en el texto normalizado: '{normalized_text}'")
|
||||
|
||||
return result
|
||||
|
||||
def parse_total_and_tax_LEGACY(text: str) -> Dict[str, Optional[str]]:
|
||||
"""
|
||||
Versión final y robusta. Parsea un string que contiene el total y el IVA.
|
||||
Primero normaliza los espacios en blanco y luego aplica una regex de alta precisión.
|
||||
"""
|
||||
logging.info(f"Texto original recibido para parsing: '{text}'")
|
||||
|
||||
# --- PASO 1: PRE-PROCESAMIENTO Y NORMALIZACIÓN DEL TEXTO ---
|
||||
# Esto convierte saltos de línea, tabs y espacios múltiples en un único espacio.
|
||||
# Ej: "398,00€\n (incluye..." -> "398,00€ (incluye..."
|
||||
normalized_text = " ".join(text.split())
|
||||
logging.info(f"Texto normalizado para la regex: '{normalized_text}'")
|
||||
|
||||
result = {'total_amount': None, 'total_tax_amount': None}
|
||||
|
||||
# 2. Extraer el importe total (el primer número que encuentre del texto normalizado)
|
||||
total_match = re.search(r'([\d.,]+)', normalized_text)
|
||||
if total_match:
|
||||
result['total_amount'] = clean_numeric_value(total_match.group(1))
|
||||
logging.info(f"Importe total encontrado y limpiado: {result['total_amount']}")
|
||||
|
||||
# 3. Regex de alta precisión aplicada sobre el texto normalizado.
|
||||
# Regex de alta precisión para el IVA
|
||||
tax_match = re.search(r'\(.*?(?:incluye|incluido)\s+([\d.,]+)€?\s*IVA.*?\)', normalized_text, re.IGNORECASE)
|
||||
|
||||
if tax_match:
|
||||
result['total_tax_amount'] = clean_numeric_value(tax_match.group(1))
|
||||
logging.info(f"¡ÉXITO! Importe de IVA encontrado y limpiado: {result['total_tax_amount']}")
|
||||
|
||||
if result['total_amount'] and result['total_tax_amount']:
|
||||
logging.info(f"¡ÉXITO! Total: {result['total_amount']}, IVA: {result['total_tax_amount']}")
|
||||
else:
|
||||
logging.warning(f"No se encontró desglose de IVA en el texto normalizado: '{normalized_text}'")
|
||||
logging.warning(f"Fallo en el parsing de importes para la línea: '{normalized_text}'")
|
||||
|
||||
return result
|
||||
Loading…
Reference in New Issue
Block a user