invoice-processing-google-d.../services/invoice_processor_service.py

73 lines
2.7 KiB
Python

# services/invoice_processor_service.py
import logging
from typing import Dict, List, Any, Optional
from .gcp_document_ai_client import process_document_gcp
# Importamos nuestro limpiador de datos para usarlo
from .utils import data_cleaner
from core.config import settings
# --- Lógica de negocio refactorizada ---
def _extract_specific_fields(
entities: List[Any],
override_threshold: Optional[float] = None
) -> Dict[str, str]:
"""
Filtra y normaliza entidades. Si se proporciona `override_threshold`,
se utiliza ese valor para todos los campos. De lo contrario, utiliza
los umbrales definidos en la configuración.
"""
extracted_data = {field: "Not found or low confidence" for field in settings.REQUIRED_FIELDS}
for entity in entities:
entity_type = entity.type_
# Lógica de decisión del umbral
if override_threshold is not None:
threshold = override_threshold
else:
# Comportamiento original: usar la configuración por campo
threshold = settings.CONFIDENCE_THRESHOLDS.get(entity_type, settings.CONFIDENCE_THRESHOLDS["__default__"])
if entity_type in settings.REQUIRED_FIELDS and entity.confidence >= threshold:
value = entity.mention_text.replace('\n', ' ').strip()
# Reactivamos la limpieza de fechas
if entity_type == 'invoice_date':
normalized_date = data_cleaner.normalize_date(value)
value = normalized_date if normalized_date else f"Unparseable Date: '{value}'"
extracted_data[entity_type] = value
return extracted_data
# --- Función principal del servicio actualizada ---
def process_invoice_from_bytes(
file_bytes: bytes,
mime_type: str,
override_threshold: Optional[float] = None # Nuevo parámetro opcional
) -> Dict[str, str]:
"""
Orquesta el proceso completo. Ahora pasa el umbral de confianza
opcional a la capa de lógica de negocio.
"""
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,
)
# Pasamos el umbral opcional a la función de extracción
validated_data = _extract_specific_fields(document.entities, override_threshold)
logging.info(f"Documento procesado con éxito con un umbral de {override_threshold or 'default'}.")
return validated_data
except Exception as e:
logging.error(f"Error en el flujo de procesamiento de factura: {e}", exc_info=True)
raise