core/config.py

@@ -20,11 +20,9 @@ class Settings(BaseSettings):
         "invoice_id",
         "invoice_date",
         "total_amount",
-        "net_amount", # Podríamos considerar renombrar esto a subtotal_amount en el futuro
+        # "net_amount",
         "receiver_name",
-        "supplier_tax_id",
+        "supplier_tax_id"
-        "total_tax_amount",
-        "subtotal_amount"  # <-- NUEVO CAMPO
     ]
 
     # --- CAMBIO PARA DEPURACIÓN ---
@@ -33,9 +31,7 @@ class Settings(BaseSettings):
         "__default__": 0.82,      
         "supplier_name": 0.80,
         "total_amount": 0.75,
-        "subtotal_amount": 0.75, # Un umbral razonable
+        # "net_amount": 0.92,
-        "net_amount": 0.92,
-        "total_tax_amount": 0.0, # Ponemos 0.0 porque no viene de DocumentAI, lo calculamos nosotros
         "receiver_name": 0.74,
         "supplier_tax_id": 0.46
     }

services/VERSION_PREVIA_A_invoice_processor_service_DEBUG_COMPLETO_objeto_document.py

@@ -1,101 +0,0 @@
-# services/invoice_processor_service.py
-import logging
-from typing import Dict, List, Any, Optional
-from google.cloud.documentai_v1.types import Document
-
-from .gcp_document_ai_client import process_document_gcp
-from .utils import data_cleaner
-from core.config import settings
-
-def _extract_specific_fields(
-    document: Document,
-    default_confidence_override: Optional[float] = None
-) -> Dict[str, str]:
-    """
-    Extrae datos usando una lógica de búsqueda contextual por palabra clave para
-    resolver ambigüedades en el documento.
-    """
-    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')
-
-    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']:
-            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':
-                # --- LÓGICA DE BÚSQUEDA CONTEXTUAL POR PALABRA CLAVE ---
-                contextual_line = None
-                logging.info(f"Buscando contexto para '{raw_text}' con la palabra clave 'Total'")
-                for line in full_text_lines:
-                    # La línea debe contener el texto del importe Y la palabra "total"
-                    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
-                
-                # Si no encontramos una línea contextual, usamos el texto original como fallback
-                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']:
-                 # Evitamos procesar estos campos directamente si ya los hemos calculado
-                 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()
-                
-    return extracted_data
-
-def process_invoice_from_bytes(
-    file_bytes: bytes, 
-    mime_type: str,
-    default_confidence_override: Optional[float] = None
-) -> Dict[str, str]:
-    """ Orquesta el proceso completo. """
-    try:
-        document = process_document_gcp(
-            project_id=settings.GCP_PROJECT_ID,
-            location=settings.GCP_LOCATION,
-            processor_id=settings.DOCAI_PROCESSOR_ID,
-            file_bytes=file_bytes,
-            mime_type=mime_type,
-        )
-        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

services/invoice_processor_service.py

@@ -1,93 +1,53 @@
 # services/invoice_processor_service.py
 import logging
-import re
 from typing import Dict, List, Any, Optional
-from google.cloud.documentai_v1.types import Document
 
 from .gcp_document_ai_client import process_document_gcp
 from .utils import data_cleaner
 from core.config import settings
 
 def _extract_specific_fields(
-    document: Document,
+    entities: List[Any],
+    # El nombre del parámetro aquí debe coincidir con el que se le pasa desde el router
     default_confidence_override: Optional[float] = None
 ) -> Dict[str, str]:
     """
-    Extrae datos usando una lógica de "Texto Bruto Unificado" para los importes,
+    Filtra y normaliza entidades. Si se proporciona `default_confidence_override`,
-    haciéndolo inmune a errores de formato del OCR como saltos de línea inesperados.
+    se utiliza para el umbral por defecto. Los umbrales específicos de la
+    configuración siempre tienen prioridad.
     """
     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.get("__default__", 0.85)
 
-    # --- PASO 1: LÓGICA DE BÚSQUEDA POR PATRONES EN TEXTO BRUTO UNIFICADO ---
+    # Determina el umbral por defecto para esta ejecución
-    # Normalizamos el texto completo, reemplazando saltos de línea por espacios.
+    default_threshold = default_confidence_override if default_confidence_override is not None else settings.CONFIDENCE_THRESHOLDS["__default__"]
-    full_text_normalized = " ".join(document.text.split())
-    logging.info(f"Texto completo normalizado para búsqueda: '{full_text_normalized}'")
 
-    amounts_calculated_by_rule = False
+    for entity in entities:
-
-    # 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_
 
-        # Saltamos los campos que ya hemos calculado por reglas o que no nos interesan
+        if entity_type in settings.REQUIRED_FIELDS:
-        if entity_type in ['total_amount', 'net_amount', 'subtotal_amount', 'total_tax_amount'] or entity_type not in settings.REQUIRED_FIELDS:
+            # Lógica corregida: Prioriza el umbral específico del campo, si no, usa el por defecto.
-            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}'"
-            else:
-                extracted_data[entity_type] = raw_text.replace('\n', ' ')
 
-    # --- PASO 3 (Fallback): Si las reglas fallaron, usamos los valores de las entidades ---
+            if entity.confidence >= threshold:
-    if not amounts_calculated_by_rule:
+                value = entity.mention_text.replace('\n', ' ').strip()
-        logging.warning("No se aplicaron reglas de negocio para importes. Usando entidades como fallback.")
+                
-        for entity in document.entities:
+                if entity_type == 'invoice_date':
-            if entity.type_ in ['total_amount', 'net_amount', 'subtotal_amount']:
+                    normalized_date = data_cleaner.normalize_date(value)
-                if extracted_data.get(entity.type_) == "Not found or low confidence":
+                    value = normalized_date if normalized_date else f"Unparseable Date: '{value}'"
-                    extracted_data[entity.type_] = data_cleaner.clean_numeric_value(entity.mention_text)
+                
+                extracted_data[entity_type] = value
             
     return extracted_data
 
-
 def process_invoice_from_bytes(
     file_bytes: bytes, 
     mime_type: str,
+    # El nombre del parámetro aquí debe coincidir con el del router
     default_confidence_override: Optional[float] = None
 ) -> Dict[str, str]:
-    """ Orquesta el proceso completo. """
+    """
+    Orquesta el proceso completo.
+    """
     try:
         document = process_document_gcp(
             project_id=settings.GCP_PROJECT_ID,
@@ -96,9 +56,13 @@ def process_invoice_from_bytes(
             file_bytes=file_bytes,
             mime_type=mime_type,
         )
-        validated_data = _extract_specific_fields(document, default_confidence_override)
+
-        logging.info(f"Datos finales procesados: {validated_data}")
+        validated_data = _extract_specific_fields(document.entities, default_confidence_override)
+        
+        log_threshold = default_confidence_override if default_confidence_override is not None else "config default"
+        logging.info(f"Documento procesado. Umbral por defecto usado: {log_threshold}.")
         return validated_data
+
     except Exception as e:
         logging.error(f"Error en el flujo de procesamiento de factura: {e}", exc_info=True)
         raise

services/invoice_processor_service_DEBUG_COMPLETO_objeto_document.py

@@ -1,102 +0,0 @@
-# services/invoice_processor_service.py
-import logging
-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)
-    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')
-    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']:
-            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()
-    return extracted_data
-
-
-def process_invoice_from_bytes(
-    file_bytes: 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. """
-    try:
-        document = process_document_gcp(
-            project_id=settings.GCP_PROJECT_ID,
-            location=settings.GCP_LOCATION,
-            processor_id=settings.DOCAI_PROCESSOR_ID,
-            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

services/utils/data_cleaner.py

@@ -1,64 +1,87 @@
 # services/utils/data_cleaner.py
 import logging
 import locale
-import re
 from dateutil import parser
-from typing import Optional, Dict
+from typing import Optional
 from datetime import datetime
 
-# --- ESTA SECCIÓN NO REQUIERE CAMBIOS ---
+SPANISH_TO_ENGLISH_MONTHS = {
-SPANISH_TO_ENGLISH_MONTHS = { 'enero': 'january', 'febrero': 'february', 'marzo': 'march', 'abril': 'april', 'mayo': 'may', 'junio': 'june', 'julio': 'july', 'agosto': 'august', 'septiembre': 'september', 'octubre': 'october', 'noviembre': 'november', 'diciembre': 'december'}
+    'enero': 'january',
+    'febrero': 'february',
+    'marzo': 'march',
+    'abril': 'april',
+    'mayo': 'may',
+    'junio': 'june',
+    'julio': 'july',
+    'agosto': 'august',
+    'septiembre': 'september',
+    'octubre': 'october',
+    'noviembre': 'november',
+    'diciembre': 'december'
+}
+
 def _parse_with_fallback(date_string: str) -> Optional[datetime]:
-    temp_string = date_string.lower().replace(' de ', ' ').replace(' del ', ' ')
+    """
+    Intenta parsear la fecha usando un fallback manual que primero limpia
+    preposiciones comunes en español ("de", "del") y luego traduce los meses.
+    """
+    # 1. Normalizar a minúsculas para trabajar de forma consistente
+    temp_string = date_string.lower()
+
+    # 2. Traducir el mes de español a inglés
     for spa, eng in SPANISH_TO_ENGLISH_MONTHS.items():
-        if spa in temp_string: temp_string = temp_string.replace(spa, eng); break
+        if spa in temp_string:
-    try: return parser.parse(temp_string)
+            temp_string = temp_string.replace(spa, eng)
-    except (parser.ParserError, ValueError): return None
+            break # Salimos del bucle una vez que encontramos y reemplazamos el mes
+
+    # 3. Eliminar preposiciones comunes, cuidando los espacios para evitar unir palabras
+    temp_string = temp_string.replace(' de ', ' ')
+    temp_string = temp_string.replace(' del ', ' ')
+    
+    # Después de la limpieza, la cadena debería ser algo como '5 january 2030', que es parseable.
+    try:
+        logging.info(f"Attempting to parse cleaned date string: '{temp_string}'")
+        return parser.parse(temp_string)
+    except (parser.ParserError, ValueError):
+        # Si incluso después de la limpieza falla, no podemos hacer más.
+        logging.warning(f"Fallback parsing failed even for cleaned string: '{temp_string}'")
+        return None
+
 def normalize_date(date_string: str) -> Optional[str]:
-    if not date_string: return None
+    """
+    Parses a date string from various formats and normalizes it to DD/MM/YYYY.
+    It first tries using Spanish locale, and if it fails, it uses a manual
+    cleaning and translation fallback.
+    """
+    if not date_string:
+        return None
+
     original_locale = locale.getlocale(locale.LC_TIME)
     parsed_date = None
+    
+    # Estrategia 1: Intentar con el locale español
     try:
-        try: locale.setlocale(locale.LC_TIME, 'es_ES.UTF-8')
+        try:
-        except locale.Error: locale.setlocale(locale.LC_TIME, 'Spanish')
+            locale.setlocale(locale.LC_TIME, 'es_ES.UTF-8')
+        except locale.Error:
+            locale.setlocale(locale.LC_TIME, 'Spanish')
+
         parsed_date = parser.parse(date_string)
+
     except (parser.ParserError, ValueError, locale.Error):
+        logging.warning(f"Could not parse date '{date_string}' using Spanish locale. Attempting robust fallback.")
+        # Estrategia 2: Si el locale falla, usar el fallback robusto
         parsed_date = _parse_with_fallback(date_string)
-    finally: locale.setlocale(locale.LC_TIME, original_locale)
-    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:
+    finally:
-    """Función pública para limpiar y normalizar un string numérico."""
+        # Siempre restauramos el locale original
-    if not text: return "0.00"
+        locale.setlocale(locale.LC_TIME, original_locale)
-    cleaned = text.strip().replace('.', '').replace(',', '.')
-    try: return f"{float(cleaned):.2f}"
-    except (ValueError, TypeError):
-        logging.warning(f"Could not convert '{text}' to a numeric value. Defaulting to 0.00.")
-        return "0.00"
 
-def parse_total_and_tax(text: str) -> Dict[str, Optional[str]]:
+    if parsed_date:
-    """
+        # Aquí se asegura el formato DD/MM/AAAA.
-    Versión final y robusta. Parsea un string que contiene el total y el IVA.
+        # '%d' -> día con cero (05), '%m' -> mes con cero (01), '%Y' -> año (2030)
-    """
+        return parsed_date.strftime('%d/%m/%Y')
-    logging.info(f"Analizando línea de importe: '{text}'")
-    result = {'total_amount': None, 'total_tax_amount': None}
-    
-    normalized_text = " ".join(text.split())
-
-    # 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 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))
-
-    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"Fallo en el parsing de importes para la línea: '{normalized_text}'")
+        # Si ambas estrategias fallan, registramos el error final
-
+        logging.error(f"Failed to parse date '{date_string}' with all available methods.")
-    return result
+        return None