Lana49's picture
Испправления чата gpt
1a49277
Raw History Blame Contribute Delete
52.2 kB
# -*- coding: utf-8 -*-
"""
Универсальный парсер документов для инженерной базы знаний.
Поддерживает:
- .pdf -> текст PyMuPDF + таблицы pdfplumber + OCR fallback
- .docx -> python-docx с сохранением порядка абзацев и таблиц
- .doc -> textutil (macOS) / textract + antiword (Linux)
- .rtf -> striprtf с определением кодовой страницы
- .txt/.md -> обычный текст
- .csv/.tsv -> таблицы с разделителями
- .xlsx/.xlsm -> листы Excel
"""
from __future__ import annotations
import csv
import json
import logging
import re
import shutil
import subprocess
import sys
from zipfile import BadZipFile
from dataclasses import dataclass, field
from pathlib import Path
from typing import Any, List, Tuple, Optional
SUPPORTED_EXTENSIONS = {
".pdf",
".docx",
".doc",
".rtf",
".txt",
".md",
".csv",
".tsv",
".xlsx",
".xlsm",
".json",
}
logger = logging.getLogger(__name__)
IS_MACOS = sys.platform == "darwin"
IS_LINUX = sys.platform.startswith("linux")
def command_exists(name: str) -> bool:
"""Проверяет, доступна ли системная команда."""
return shutil.which(name) is not None
def is_supported_file(path: Path) -> bool:
"""Проверяет, поддерживается ли файл по расширению."""
return path.suffix.lower() in SUPPORTED_EXTENSIONS
def safe_print(message: str) -> None:
"""Безопасный вывод в консоль."""
try:
print(message)
except (OSError, UnicodeEncodeError):
pass
def _clean_cell(value: Any) -> str:
"""Приводит ячейку к одной строке и не даёт сломать Markdown-таблицу."""
text = "" if value is None else str(value)
text = re.sub(r"\s+", " ", text).strip()
return text.replace("|", "\\|")
def _clean_table_rows(rows: Any) -> List[List[str]]:
"""Удаляет пустые строки и выравнивает число столбцов."""
cleaned: List[List[str]] = []
for raw_row in rows or []:
row = [_clean_cell(cell) for cell in (raw_row or [])]
if any(row):
cleaned.append(row)
if not cleaned:
return []
width = max(len(row) for row in cleaned)
return [row + [""] * (width - len(row)) for row in cleaned]
def _table_to_markdown(
rows: List[List[str]],
title: str,
location: str = "",
) -> str:
"""Делает один самодостаточный блок таблицы для поиска и цитат."""
rows = _clean_table_rows(rows)
if not rows:
return ""
marker = f"[ТАБЛИЦА: {title}"
if location:
marker += f" | {location}"
marker += "]"
header = rows[0]
lines = [
marker,
"| " + " | ".join(header) + " |",
"| " + " | ".join(["---"] * len(header)) + " |",
]
lines.extend("| " + " | ".join(row) + " |" for row in rows[1:])
return "\n".join(lines)
# =========================
# PDF
# =========================
def read_pdf_pymupdf(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает PDF через PyMuPDF."""
try:
import pymupdf
except ImportError:
try:
import fitz as pymupdf
except ImportError:
return "", "PyMuPDF не установлен"
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл пустой или не найден"
try:
parts: List[str] = []
with pymupdf.open(str(path)) as doc:
for page_num, page in enumerate(doc, start=1):
try:
page_text = page.get_text("text", sort=True) or ""
if page_text.strip():
parts.append(
f"[СТРАНИЦА {page_num}]\n{page_text.strip()}"
)
except (AttributeError, ValueError, TypeError, RuntimeError) as exc:
logger.warning("PyMuPDF: ошибка страницы %s в %s: %s", page_num, path.name, exc)
text = "\n\n".join(parts).strip()
if text:
return text, "PyMuPDF"
return "", "текст не извлечён (возможно, сканированный PDF)"
except (OSError, ValueError, TypeError, RuntimeError) as exc:
return "", f"PyMuPDF ошибка: {exc}"
def read_pdf_tables(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Извлекает только таблицы PDF и сериализует их в Markdown.
Отдельный проход нужен потому, что текстовый слой PyMuPDF не
сохраняет ячейки. Маркеры страницы и таблицы затем попадают в
метаданные чанка.
"""
try:
import pdfplumber
except ImportError:
return "", "pdfplumber не установлен"
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл пустой или не найден"
blocks: List[str] = []
table_number = 0
try:
with pdfplumber.open(str(path)) as pdf:
for page_num, page in enumerate(pdf.pages, start=1):
try:
for table in page.extract_tables() or []:
rows = _clean_table_rows(table)
if len(rows) < 2:
continue
table_number += 1
blocks.append(
_table_to_markdown(
rows,
title=f"Таблица {table_number}",
location=f"страница {page_num}",
)
)
except (AttributeError, ValueError, TypeError) as exc:
logger.warning("pdfplumber: ошибка таблиц страницы %s в %s: %s", page_num, path.name, exc)
return "\n\n".join(blocks).strip(), "pdfplumber tables"
except (OSError, ValueError, TypeError, RuntimeError) as exc:
return "", f"pdfplumber таблицы: {exc}"
def read_pdf_pdfplumber(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает PDF через pdfplumber как fallback, включая таблицы."""
try:
import pdfplumber
except ImportError:
return "", "pdfplumber не установлен"
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл пустой или не найден"
try:
parts: List[str] = []
table_number = 0
with pdfplumber.open(str(path)) as pdf:
for page_num, page in enumerate(pdf.pages, start=1):
try:
page_parts: List[str] = []
text = page.extract_text() or ""
if text.strip():
page_parts.append(
f"[СТРАНИЦА {page_num}]\n{text.strip()}"
)
for table in page.extract_tables() or []:
rows = _clean_table_rows(table)
if len(rows) < 2:
continue
table_number += 1
page_parts.append(
_table_to_markdown(
rows,
title=f"Таблица {table_number}",
location=f"страница {page_num}",
)
)
if page_parts:
parts.append("\n\n".join(page_parts))
except (AttributeError, ValueError, TypeError) as exc:
safe_print(
f"⚠️ pdfplumber: ошибка страницы {page_num} "
f"в {path.name}: {exc}"
)
text = "\n\n".join(parts).strip()
if text:
return text, "pdfplumber+tables"
return "", "текст не извлечён (возможно, сканированный PDF)"
except (OSError, ValueError, TypeError, RuntimeError) as exc:
return "", f"pdfplumber ошибка: {exc}"
def read_pdf_ocr(
file_path: str | Path,
page_numbers: set[int] | None = None,
) -> Tuple[str, Optional[str]]:
"""OCR fallback для сканированных PDF через Tesseract."""
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл пустой или не найден"
try:
import pymupdf
except ImportError:
try:
import fitz as pymupdf
except ImportError:
return "", "PyMuPDF не установлен (нужен для OCR)"
try:
import pytesseract # noqa: F401
except ImportError:
return "", "pytesseract не установлен"
try:
from PIL import Image # noqa: F401
except ImportError:
return "", "Pillow не установлен"
if not command_exists("tesseract"):
return "", "Tesseract не установлен в системе"
try:
parts: List[str] = []
with pymupdf.open(str(path)) as doc: # type: ignore
total_pages = len(doc)
safe_print(f"📄 OCR страниц {path.name}: {total_pages}")
for page_num, page in enumerate(doc, start=1):
if page_numbers is not None and page_num not in page_numbers:
continue
try:
matrix = pymupdf.Matrix(2.5, 2.5) # type: ignore
pix = page.get_pixmap(matrix=matrix, colorspace=pymupdf.csRGB)
if pix.alpha:
img = Image.frombytes(
"RGBA",
(pix.width, pix.height), # ← tuple[int, int]
pix.samples
).convert("RGB")
else:
img = Image.frombytes(
"RGB",
(pix.width, pix.height), # ← tuple[int, int]
pix.samples
)
text = pytesseract.image_to_string(
img,
lang="rus+eng",
config="--psm 6 --oem 3",
)
if text.strip():
parts.append(
f"[СТРАНИЦА {page_num} | OCR]\n{text.strip()}"
)
safe_print(f" ✅ Страница {page_num}/{total_pages} распознана")
else:
logger.warning("OCR не распознал страницу %s в %s", page_num, path.name)
except (AttributeError, ValueError, TypeError, OSError, RuntimeError) as exc:
logger.warning("OCR: ошибка страницы %s в %s: %s", page_num, path.name, exc)
text = "\n\n".join(parts).strip()
if text:
return text, "OCR (Tesseract)"
return "", "OCR не распознал текст"
except (OSError, ValueError, TypeError, RuntimeError) as exc:
return "", f"OCR ошибка: {exc}"
def pdf_pages_needing_ocr(file_path: str | Path, min_chars: int = 8) -> set[int]:
"""Возвращает номера страниц без полезного текстового слоя."""
try:
import pymupdf
except ImportError:
try:
import fitz as pymupdf
except ImportError:
return set()
path = Path(file_path)
try:
with pymupdf.open(str(path)) as doc:
return {
page_num
for page_num, page in enumerate(doc, start=1)
if len(re.sub(r"\s+", "", page.get_text("text") or "")) < min_chars
}
except (OSError, ValueError, TypeError, RuntimeError):
logger.exception("Не удалось проверить текстовый слой PDF %s", path)
return set()
def _merge_pdf_pages(text: str, ocr_text: str, table_text: str) -> str:
"""Объединяет текст, OCR и таблицы в порядке исходных PDF-страниц."""
pages: dict[int, list[str]] = {}
unlocated: list[str] = []
for content in (text, ocr_text):
for block in re.split(r"(?=^\[СТРАНИЦА\s+\d+)", content, flags=re.M):
if not block.strip():
continue
match = re.match(r"\[СТРАНИЦА\s+(\d+)[^\]]*\]\s*", block)
if match:
page = int(match.group(1))
body = block[match.end():].strip()
if body:
pages.setdefault(page, []).append(body)
else:
unlocated.append(block.strip())
for block in re.split(r"(?=^\[ТАБЛИЦА)", table_text, flags=re.M):
if not block.strip():
continue
page_match = re.search(r"\bстраница\s+(\d+)\b", block.splitlines()[0], flags=re.I)
if page_match:
pages.setdefault(int(page_match.group(1)), []).append(block.strip())
else:
unlocated.append(block.strip())
page_blocks = [f"[СТРАНИЦА {page}]\n" + "\n\n".join(pages[page]) for page in sorted(pages)]
return "\n\n".join(unlocated + page_blocks).strip()
def read_pdf(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает PDF с несколькими fallback-стратегиями."""
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл не существует или пустой"
safe_print(f"📄 Чтение PDF: {path.name}")
text, text_source = read_pdf_pymupdf(path)
if text:
ocr_text = ""
missing_pages = pdf_pages_needing_ocr(path)
if missing_pages:
ocr_text, ocr_source = read_pdf_ocr(path, page_numbers=missing_pages)
recognized_pages = {int(value) for value in re.findall(r"\[СТРАНИЦА\s+(\d+)", ocr_text)}
unread_pages = missing_pages - recognized_pages
if unread_pages:
logger.warning("PDF %s: не прочитаны страницы %s (%s)", path.name, sorted(unread_pages), ocr_source)
table_text, table_source = read_pdf_tables(path)
sources = [str(text_source)]
if ocr_text:
sources.append("OCR для скан-страниц")
if table_text:
sources.append(str(table_source))
if missing_pages and unread_pages:
sources.append("не прочитаны страницы: " + ", ".join(map(str, sorted(unread_pages))))
return _merge_pdf_pages(text, ocr_text, table_text), " + ".join(sources)
# pdfplumber иногда извлекает текст из PDF, на котором PyMuPDF
# не вернул результата.
text, source = read_pdf_pdfplumber(path)
if text:
return text, source
text, source = read_pdf_ocr(path)
if text:
return text, source
return "", f"все методы извлечения PDF не сработали; последняя причина: {source}"
# =========================
# DOCX
# =========================
def read_docx(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает DOCX, сохраняя исходный порядок абзацев и таблиц."""
try:
from docx import Document
from docx.oxml.table import CT_Tbl
from docx.oxml.text.paragraph import CT_P
from docx.table import Table
from docx.text.paragraph import Paragraph
except ImportError:
return "", "python-docx не установлен"
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл пустой или не найден"
try:
doc = Document(str(path))
parts: List[str] = []
previous_text = ""
table_number = 0
for child in doc.element.body.iterchildren():
if isinstance(child, CT_P):
paragraph = Paragraph(child, doc)
paragraph_text = paragraph.text.strip()
if paragraph_text:
parts.append(paragraph_text)
previous_text = paragraph_text
continue
if not isinstance(child, CT_Tbl):
continue
table = Table(child, doc)
rows = _clean_table_rows(
[
[
" ".join(
paragraph.text.strip()
for paragraph in cell.paragraphs
if paragraph.text.strip()
)
for cell in row.cells
]
for row in table.rows
]
)
if not rows:
continue
table_number += 1
title = f"Таблица {table_number}"
if previous_text and len(previous_text) <= 160:
if re.search(r"\bтабл(?:ица|ицы|ице|ицу|ицы)?\b", previous_text, re.I):
title = previous_text
parts.append(_table_to_markdown(rows, title=title))
text = "\n\n".join(parts).strip()
if text:
return text, "python-docx"
return "", "текст не извлечён"
except (OSError, ValueError, TypeError, ImportError, KeyError, BadZipFile) as exc:
return "", f"python-docx ошибка: {exc}"
# =========================
# DOC
# =========================
def read_doc_textutil(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает .doc через textutil на macOS."""
if not IS_MACOS:
return "", "textutil доступен только на macOS"
if not command_exists("textutil"):
return "", "textutil не найден в системе"
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл пустой или не найден"
try:
result = subprocess.run(
["textutil", "-stdout", "-convert", "txt", str(path)],
capture_output=True,
text=True,
encoding="utf-8",
errors="replace",
timeout=60,
)
if result.returncode == 0 and result.stdout.strip():
return result.stdout.strip(), "textutil"
stderr = (result.stderr or "").strip()
return "", f"textutil не вернул текст{': ' + stderr if stderr else ''}"
except (subprocess.TimeoutExpired, subprocess.SubprocessError, OSError) as exc:
return "", f"textutil ошибка: {exc}"
def read_doc_textract(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает .doc через textract."""
try:
import textract # noqa: F401
except ImportError:
return "", "textract не установлен"
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл пустой или не найден"
try:
import textract
data = textract.process(str(path))
text = data.decode("utf-8", errors="ignore").strip()
if text:
return text, "textract"
return "", "textract не вернул текст"
except (OSError, ValueError, TypeError, RuntimeError) as exc:
return "", f"textract ошибка: {exc}"
def read_doc_antiword(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает .doc через antiword."""
if not command_exists("antiword"):
return "", "antiword не установлен"
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл пустой или не найден"
try:
result = subprocess.run(
["antiword", str(path)],
capture_output=True,
text=True,
encoding="utf-8",
errors="replace",
timeout=60,
)
if result.returncode == 0 and result.stdout.strip():
return result.stdout.strip(), "antiword"
stderr = (result.stderr or "").strip()
return "", f"antiword не вернул текст{': ' + stderr if stderr else ''}"
except (subprocess.TimeoutExpired, subprocess.SubprocessError, OSError) as exc:
return "", f"antiword ошибка: {exc}"
def read_doc(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает .doc с платформенным fallback."""
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл не существует или пустой"
safe_print(f"📄 Чтение DOC: {path.name}")
try:
with path.open("rb") as handle:
if handle.read(32).lstrip().startswith(b"{\\rtf"):
return read_rtf(path)
except OSError as exc:
return "", f"ошибка чтения DOC: {exc}"
readers = [read_doc_textutil, read_doc_antiword, read_doc_textract] if IS_MACOS else [read_doc_antiword, read_doc_textract]
failures: list[str] = []
for reader in readers:
try:
text, source = reader(path)
except Exception as exc:
# Изолированная граница стороннего конвертера: textract использует
# собственные типы ошибок. Другие документы продолжают читаться.
logger.exception("Ошибка конвертера %s для %s", reader.__name__, path.name)
failures.append(f"{reader.__name__}: {exc}")
continue
if text:
return text, source
failures.append(str(source))
return "", "все методы извлечения DOC не сработали: " + "; ".join(failures)
# =========================
# RTF
# =========================
def _strip_rtf_objects(raw: bytes) -> bytes:
"""Пропускает вложенные рисунки/объекты, сохраняя текст и RTF-структуру.
В нормативных RTF сотни мегабайт могут занимать шестнадцатеричные
изображения. Они не участвуют в текстовом поиске и не должны четырежды
проходить через декодер. Скобки считаются с учётом escape и bin-блоков.
"""
object_start = re.compile(rb"\{\\(?:\*\\)?(?:pict|shppict|nonshppict|object|objdata)\b")
token_pattern = re.compile(rb"\\(?:[{}\\]|bin(\d+) ?)|[{}]")
parts: list[bytes] = []
cursor = 0
while match := object_start.search(raw, cursor):
depth = 1
position = match.end()
while depth and (token := token_pattern.search(raw, position)):
position = token.end()
if token.group(1):
position += int(token.group(1))
elif token.group(0) == b"{":
depth += 1
elif token.group(0) == b"}":
depth -= 1
if depth:
logger.warning("RTF содержит незакрытую группу изображения/объекта")
break
parts.append(raw[cursor:match.start()])
cursor = position
if not parts:
return raw
parts.append(raw[cursor:])
return b"".join(parts)
def read_rtf(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает RTF через striprtf."""
try:
from striprtf.striprtf import rtf_to_text
except ImportError:
return "", "striprtf не установлен"
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл пустой или не найден"
try:
raw = _strip_rtf_objects(path.read_bytes())
except OSError as exc:
return "", f"ошибка чтения RTF: {exc}"
header = raw[:4096].decode("latin-1", errors="ignore")
codepage_match = re.search(r"\\ansicpg(\d+)", header)
declared_encoding = (
f"cp{codepage_match.group(1)}" if codepage_match else None
)
encodings = [declared_encoding, "utf-8", "cp1251", "latin-1"]
candidates: List[tuple[int, str, str]] = []
for encoding in dict.fromkeys(item for item in encodings if item):
try:
content = raw.decode(encoding, errors="strict")
if content.strip():
text = rtf_to_text(content, encoding=encoding, errors="replace").strip()
if text:
# Выбираем вариант без mojibake и символов замены.
penalty = text.count("�") * 100
penalty += sum(text.count(token) for token in ("Ð", "Ñ", "Ã", "Â"))
# Строгое декодирование + явно заявленная кодировка
# дают хороший первый вариант без повторных проходов.
if penalty == 0:
return text, f"striprtf ({encoding})"
candidates.append((penalty, text, encoding))
except (LookupError, UnicodeDecodeError, ValueError):
continue
if candidates:
_, text, encoding = min(candidates, key=lambda item: item[0])
return text, f"striprtf ({encoding})"
return "", "не удалось прочитать RTF"
# =========================
# Текст и табличные форматы
# =========================
def _decode_text_bytes(raw: bytes) -> Tuple[str, str]:
"""Декодирует обычный текст без молчаливой потери кириллицы."""
if raw.startswith(b"\xef\xbb\xbf"):
return raw.decode("utf-8-sig"), "utf-8-sig"
if raw.startswith((b"\xff\xfe", b"\xfe\xff")):
return raw.decode("utf-16"), "utf-16"
candidates: List[tuple[int, str, str]] = []
for encoding in ("utf-8", "cp1251", "latin-1"):
try:
value = raw.decode(encoding, errors="strict")
except UnicodeDecodeError:
continue
penalty = value.count("�") * 100
penalty += sum(value.count(token) for token in ("Ð", "Ñ", "Ã", "Â"))
candidates.append((penalty, value, encoding))
if not candidates:
return raw.decode("utf-8", errors="replace"), "utf-8/replace"
_, value, encoding = min(candidates, key=lambda item: item[0])
return value, encoding
def read_plain_text(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает TXT и Markdown."""
path = Path(file_path)
try:
text, encoding = _decode_text_bytes(path.read_bytes())
except OSError as exc:
return "", f"ошибка чтения текста: {exc}"
return text.strip(), f"plain text ({encoding})"
def read_delimited_table(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает CSV/TSV и превращает строки в один табличный блок."""
path = Path(file_path)
try:
text, encoding = _decode_text_bytes(path.read_bytes())
except OSError as exc:
return "", f"ошибка чтения таблицы: {exc}"
delimiter = "\t" if path.suffix.lower() == ".tsv" else ","
if path.suffix.lower() == ".csv":
try:
delimiter = csv.Sniffer().sniff(text[:8192], delimiters=",;\t|").delimiter
except csv.Error:
delimiter = ";" if text.count(";") > text.count(",") else ","
rows = _clean_table_rows(csv.reader(text.splitlines(), delimiter=delimiter))
if not rows:
return "", "таблица пуста"
return (
_table_to_markdown(rows, title=path.stem),
f"delimited table ({encoding}, delimiter={delimiter!r})",
)
def read_excel(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает видимые и скрытые листы XLSX/XLSM через openpyxl."""
try:
from openpyxl import load_workbook
except ImportError:
return "", "openpyxl не установлен"
path = Path(file_path)
try:
workbook = load_workbook(
filename=str(path),
read_only=True,
data_only=False,
)
except (OSError, ValueError, TypeError, KeyError) as exc:
return "", f"openpyxl ошибка: {exc}"
blocks: List[str] = []
try:
for sheet in workbook.worksheets:
rows = _clean_table_rows(sheet.iter_rows(values_only=True))
if not rows:
continue
blocks.append(
_table_to_markdown(
rows,
title=f"Лист {sheet.title}",
location=f"лист {sheet.title}",
)
)
finally:
workbook.close()
if not blocks:
return "", "в книге Excel нет непустых листов"
return "\n\n".join(blocks), "openpyxl"
def read_json_document(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Читает JSON-выгрузку; поле full_text использует как основной корпус."""
path = Path(file_path)
try:
payload = json.loads(path.read_text(encoding="utf-8"))
except (OSError, UnicodeDecodeError, json.JSONDecodeError) as exc:
return "", f"JSON ошибка: {exc}"
if isinstance(payload, dict) and isinstance(payload.get("full_text"), str):
source_name = str(payload.get("file") or path.name)
return (
f"[ИСТОЧНИК: {source_name}]\n{payload['full_text'].strip()}",
"json full_text",
)
if isinstance(payload, list) and payload and all(isinstance(row, dict) for row in payload):
headers = list(dict.fromkeys(key for row in payload for key in row.keys()))
rows = [headers] + [[row.get(key, "") for key in headers] for row in payload]
return _table_to_markdown(rows, title=path.stem), "json records"
return json.dumps(payload, ensure_ascii=False, indent=2), "json"
# =========================
# Универсальное чтение
# =========================
def read_file(file_path: str | Path) -> Tuple[str, Optional[str]]:
"""Универсальное чтение файла по расширению."""
path = Path(file_path)
if not path.exists() or not path.is_file() or path.stat().st_size == 0:
return "", "файл не существует или пустой"
suffix = path.suffix.lower()
if suffix not in SUPPORTED_EXTENSIONS:
return "", f"неподдерживаемый формат: {path.suffix}"
if suffix == ".pdf":
return read_pdf(path)
if suffix == ".docx":
return read_docx(path)
if suffix == ".doc":
return read_doc(path)
if suffix == ".rtf":
return read_rtf(path)
if suffix in {".txt", ".md"}:
return read_plain_text(path)
if suffix in {".csv", ".tsv"}:
return read_delimited_table(path)
if suffix in {".xlsx", ".xlsm"}:
return read_excel(path)
if suffix == ".json":
return read_json_document(path)
return "", "неизвестный формат"
# =========================
# Структура результата
# =========================
@dataclass(slots=True)
class ParsedDocument:
"""Структура обработанного документа."""
doc_name: str
filepath: str
filetype: str
text: str
chunks: List[dict[str, Any]] = field(default_factory=list)
metadata: dict[str, Any] = field(default_factory=dict)
class DocumentParser:
"""Парсер документов с разбиением текста на фрагменты."""
def __init__(
self,
chunk_size: int = 1200,
chunk_overlap: int = 200,
min_chunk_size: int = 120,
) -> None:
self.chunk_size = max(300, chunk_size)
self.chunk_overlap = max(0, min(chunk_overlap, self.chunk_size // 2))
self.min_chunk_size = max(50, min_chunk_size)
@staticmethod
def normalize_text(text: str) -> str:
"""Нормализует текст."""
if not text:
return ""
text = text.replace("\x00", " ")
text = text.replace("\r\n", "\n").replace("\r", "\n")
normalized_lines: List[str] = []
for line in text.split("\n"):
if "\t" in line:
cells = [_clean_cell(cell) for cell in line.split("\t")]
if len(cells) >= 2 and sum(bool(cell) for cell in cells) >= 2:
normalized_lines.append("| " + " | ".join(cells) + " |")
continue
normalized_lines.append(re.sub(r" {2,}", " ", line).strip())
text = "\n".join(normalized_lines)
text = re.sub(r"\n{3,}", "\n\n", text)
return text.strip()
def split_paragraphs(self, text: str) -> List[str]:
"""Группирует абзацы и сохраняет адрес источника в каждом фрагменте."""
parts = re.split(r"\n\s*\n|(?=^\[(?:СТРАНИЦА|ИСТОЧНИК|ТАБЛИЦА))", text, flags=re.M)
result: List[str] = []
location: dict[str, str] = {}
pending: list[str] = []
def add_prefix(fragment: str, markers: dict[str, str]) -> str:
return "\n".join([*markers.values(), fragment]).strip()
def flush() -> None:
if not pending:
return
paragraph = "\n\n".join(pending)
fragments = self.split_long_text(paragraph) if len(paragraph) > self.chunk_size else [paragraph]
result.extend(add_prefix(fragment, location) for fragment in fragments)
pending.clear()
for part in parts:
part = part.strip()
if not part:
continue
marker = re.match(r"\[(СТРАНИЦА|ИСТОЧНИК)[^\]]*\]", part)
if marker:
flush()
marker_kind = marker.group(1)
if marker_kind == "ИСТОЧНИК":
location.clear()
location[marker_kind] = marker.group(0)
part = part[marker.end():].strip()
if not part:
continue
if self._looks_like_table_block(part):
flush()
table_location = dict(location)
table_page = self.extract_chunk_metadata(part).get("page")
if table_page:
table_location["СТРАНИЦА"] = f"[СТРАНИЦА {table_page}]"
result.extend(add_prefix(fragment, table_location) for fragment in self.split_table_block(part))
else:
if pending and len("\n\n".join(pending + [part])) > self.chunk_size:
flush()
pending.append(part)
flush()
return result
@staticmethod
def _looks_like_table_block(text: str) -> bool:
lines = [line.strip() for line in text.splitlines() if line.strip()]
if not lines:
return False
if lines[0].startswith("[ТАБЛИЦА"):
return True
pipe_rows = sum(1 for line in lines if line.startswith("|") and line.endswith("|"))
return pipe_rows >= 2
def split_table_block(self, text: str) -> List[str]:
"""
Делит длинную таблицу по строкам и повторяет маркер и шапку.
Это позволяет найти строку в большом Excel/PDF и понять её
столбцы даже после чанкинга.
"""
lines = [line.strip() for line in text.splitlines() if line.strip()]
if not lines:
return []
prefix: List[str] = []
cursor = 0
if lines[0].startswith("[ТАБЛИЦА"):
prefix.append(lines[0])
cursor = 1
if cursor < len(lines):
prefix.append(lines[cursor])
cursor += 1
if cursor < len(lines) and re.fullmatch(r"\|?[\s:|\-]+\|?", lines[cursor]):
prefix.append(lines[cursor])
cursor += 1
rows = lines[cursor:]
if not rows:
return ["\n".join(prefix)]
chunks: List[str] = []
current = list(prefix)
for row in rows:
candidate = "\n".join(current + [row])
if len(candidate) > self.chunk_size and len(current) > len(prefix):
chunks.append("\n".join(current))
current = list(prefix)
current.append(row)
if len(current) > len(prefix):
chunks.append("\n".join(current))
return chunks or [text]
def split_long_text(self, text: str) -> List[str]:
"""Разбивает длинный текст по предложениям."""
sentences = re.split(r"(?<=[.!?])\s+", text)
if len(sentences) < 2:
return self.hard_split(text)
result: List[str] = []
current = ""
for sentence in sentences:
sentence = sentence.strip()
if not sentence:
continue
if len(sentence) > self.chunk_size:
if current:
result.append(current.strip())
current = ""
result.extend(self.hard_split(sentence))
continue
candidate = f"{current} {sentence}".strip() if current else sentence
if len(candidate) <= self.chunk_size:
current = candidate
else:
if current:
result.append(current.strip())
overlap = current[-self.chunk_overlap:] if self.chunk_overlap else ""
overlap = self.smart_overlap(overlap)
with_overlap = f"{overlap} {sentence}".strip() if overlap else sentence
current = with_overlap if len(with_overlap) <= self.chunk_size else sentence
else:
result.extend(self.hard_split(sentence))
current = ""
if current.strip():
result.append(current.strip())
return result
def hard_split(self, text: str) -> List[str]:
"""Принудительно разбивает длинный текст."""
parts: List[str] = []
start = 0
while start < len(text):
end = min(start + self.chunk_size, len(text))
if end < len(text):
split_pos = text.rfind(" ", start, end)
if split_pos > start + self.min_chunk_size:
end = split_pos
part = text[start:end].strip()
if part:
parts.append(part)
if end >= len(text):
break
start = max(end - self.chunk_overlap, start + 1)
return parts
@staticmethod
def smart_overlap(text: str) -> str:
"""Подчищает overlap, чтобы не начинать с обрывка слова."""
text = text.strip()
if not text:
return ""
split_pos = text.find(" ")
if 0 < split_pos < len(text) // 2:
text = text[split_pos + 1:].strip()
return text
@staticmethod
def extract_formulas(text: str) -> List[dict[str, Any]]:
"""Пытается извлечь простые формулы."""
formulas: List[dict[str, Any]] = []
patterns = [
r"[A-Za-zА-Яа-я0-9_]+\s*=\s*[^=\n]{3,120}",
r"\bQ\s*=\s*[^=\n]{3,120}",
r"\bR\s*=\s*[^=\n]{3,120}",
]
for pattern in patterns:
for match in re.findall(pattern, text):
raw = match.strip()
if len(raw) < 4:
continue
formulas.append(
{
"raw": raw,
"variables": sorted(set(re.findall(r"[A-Za-zА-Яа-я_]+", raw))),
"has_operator": any(op in raw for op in ("=", "+", "-", "*", "/")),
}
)
unique: List[dict[str, Any]] = []
seen: set[str] = set()
for item in formulas:
key = item["raw"]
if key not in seen:
seen.add(key)
unique.append(item)
return unique[:20]
@staticmethod
def detect_table_like_content(text: str) -> bool:
"""Определяет, похож ли фрагмент на таблицу."""
if "|" in text:
return True
lines = [line.strip() for line in text.splitlines() if line.strip()]
if len(lines) < 2:
return False
tabular_lines = 0
for line in lines[:12]:
if re.search(r"\s{2,}", line):
tabular_lines += 1
elif len(re.findall(r"\d+", line)) >= 3:
tabular_lines += 1
return tabular_lines >= 2
@staticmethod
def extract_chunk_metadata(text: str) -> dict[str, Any]:
"""Извлекает адрес таблицы/страницы из служебных маркеров."""
page_numbers = [
int(value)
for value in re.findall(r"\[СТРАНИЦА\s+(\d+)", text, flags=re.I)
]
if not page_numbers:
page_numbers = [
int(value)
for value in re.findall(r"\bстраница\s+(\d+)\b", text, flags=re.I)
]
table_match = re.search(r"\[ТАБЛИЦА:\s*([^\]|]+)", text, flags=re.I)
sheet_match = re.search(r"\bлист\s+([^\]|]+)", text, flags=re.I)
source_match = re.search(r"\[ИСТОЧНИК:\s*([^\]]+)", text, flags=re.I)
result: dict[str, Any] = {}
if page_numbers:
result["page_numbers"] = sorted(set(page_numbers))
result["page"] = min(page_numbers)
if table_match:
result["table_title"] = table_match.group(1).strip()
if sheet_match:
result["sheet"] = sheet_match.group(1).strip()
if source_match:
result["logical_source"] = source_match.group(1).strip()
return result
@staticmethod
def build_metadata(
path: Path,
text: str,
chunks: List[dict[str, Any]],
source: str | None = None,
) -> dict[str, Any]:
"""Собирает метаданные документа."""
return {
"parsed": True,
"filename": path.name,
"file_stem": path.stem,
"suffix": path.suffix.lower(),
"size_bytes": path.stat().st_size,
"char_count": len(text),
"word_count": len(text.split()),
"chunk_count": len(chunks),
"has_formulas": any(chunk.get("has_formula", False) for chunk in chunks),
"has_table_like_content": any(
chunk.get("has_table_like_content", False) for chunk in chunks
),
"extraction_source": source or "unknown",
"platform": sys.platform,
}
def parse_file(self, file_path: str | Path) -> dict[str, Any]:
"""Парсит один файл."""
path = Path(file_path)
safe_print(f"📄 Парсинг: {path.name}")
try:
text, source = read_file(path)
text = self.normalize_text(text)
except Exception as exc:
# Один повреждённый файл не должен отменять индексацию корпуса.
logger.exception("Ошибка парсинга файла %s", path)
safe_print(f"⚠️ Ошибка парсинга {path.name}: {exc}")
return {
"doc_name": path.name,
"filepath": str(path),
"filetype": path.suffix.lower(),
"text": "",
"chunks": [],
"metadata": {
"parsed": False,
"filename": path.name,
"suffix": path.suffix.lower(),
"error": str(exc),
},
}
if not text:
reason = source or "неизвестная причина"
logger.warning("Текст не извлечён из %s: %s", path, reason)
safe_print(f"⚠️ Не удалось извлечь текст из {path.name}: {reason}")
return {
"doc_name": path.name,
"filepath": str(path),
"filetype": path.suffix.lower(),
"text": "",
"chunks": [],
"metadata": {
"parsed": False,
"filename": path.name,
"suffix": path.suffix.lower(),
"reason": reason,
},
}
safe_print(f"✅ Текст извлечён из {path.name}: {len(text)} символов через {source}")
raw_chunks = self.split_paragraphs(text)
chunks: List[dict[str, Any]] = []
for idx, chunk_text in enumerate(raw_chunks):
formulas = self.extract_formulas(chunk_text)
chunk_metadata = self.extract_chunk_metadata(chunk_text)
chunks.append(
{
"doc_name": path.name,
"filepath": str(path),
"chunk_id": idx,
"text": chunk_text,
"metadata": {
"formulas": formulas,
**chunk_metadata,
},
"has_formula": bool(formulas),
"has_table_like_content": self.detect_table_like_content(chunk_text),
}
)
metadata = self.build_metadata(path, text, chunks, source)
return {
"doc_name": path.name,
"filepath": str(path),
"filetype": path.suffix.lower(),
"text": text,
"chunks": chunks,
"metadata": metadata,
}
def parse_directory(self, directory: str | Path, recursive: bool = True) -> List[dict[str, Any]]:
"""Парсит директорию с документами."""
base = Path(directory)
if not base.exists() or not base.is_dir():
safe_print(f"⚠️ Директория не существует: {base}")
return []
pattern = "**/*" if recursive else "*"
all_files = [p for p in base.glob(pattern) if p.is_file()]
supported_files = [p for p in all_files if is_supported_file(p)]
unsupported_files = [p for p in all_files if not is_supported_file(p)]
safe_print(f"📦 Всего файлов в {base}: {len(all_files)}")
safe_print(f"✅ Поддерживаемых: {len(supported_files)}")
safe_print(f"⛔ Неподдерживаемых: {len(unsupported_files)}")
if unsupported_files:
safe_print("Неподдерживаемые файлы (первые 10):")
for p in unsupported_files[:10]:
safe_print(f" - {p.name} [{p.suffix}]")
parsed: List[dict[str, Any]] = []
failed: List[str] = []
for path in sorted(supported_files):
try:
item = self.parse_file(path)
if item.get("text"):
parsed.append(item)
else:
failed.append(path.name)
except Exception as exc:
# Граница обработки независимых пользовательских файлов.
logger.exception("Критическая ошибка парсинга %s", path)
safe_print(f"⚠️ Критическая ошибка на файле {path.name}: {exc}")
failed.append(path.name)
safe_print(f"✅ Успешно распарсено: {len(parsed)}")
if failed:
safe_print(f"⚠️ Не удалось распарсить: {len(failed)}")
for name in failed[:10]:
safe_print(f" - {name}")
return parsed
def parse_file(file_path: str | Path, **kwargs: Any) -> dict[str, Any]:
"""Удобная функция парсинга одного файла."""
parser = DocumentParser(**kwargs)
return parser.parse_file(file_path)
def parse_directory(directory: str | Path, **kwargs: Any) -> List[dict[str, Any]]:
"""Удобная функция парсинга директории."""
parser = DocumentParser(
chunk_size=kwargs.pop("chunk_size", 1200),
chunk_overlap=kwargs.pop("chunk_overlap", 200),
min_chunk_size=kwargs.pop("min_chunk_size", 120),
)
recursive = kwargs.pop("recursive", True)
return parser.parse_directory(directory, recursive=recursive)
def _run_self_tests() -> None:
"""Проверяет адреса фрагментов, целостность таблиц и RTF-объектов."""
table = _table_to_markdown([["Город", "Дни"], ["Томск", "225"]], "Климат")
parser = DocumentParser(chunk_size=300, min_chunk_size=50)
chunks = parser.split_paragraphs(table)
assert chunks and "Томск" in chunks[0]
assert ".rtf" in SUPPORTED_EXTENSIONS
page_chunks = parser.split_paragraphs("[СТРАНИЦА 7]\n" + "Описание системы. " * 100)
assert len(page_chunks) > 2
assert all(parser.extract_chunk_metadata(chunk)["page"] == 7 for chunk in page_chunks)
assert _strip_rtf_objects(rb"{\rtf1 Before {\pict abc{xyz}123} After}") == rb"{\rtf1 Before After}"
assert "| Город | | Дни |" in parser.normalize_text("Город\t\tДни")
ordered = _merge_pdf_pages("[СТРАНИЦА 2]\nSecond", "[СТРАНИЦА 1 | OCR]\nFirst", "")
assert ordered.index("First") < ordered.index("Second")
if __name__ == "__main__":
_run_self_tests()
# ИСПРАВЛЕНО: PDF-текст/таблицы/OCR объединяются по страницам; адрес страницы
# сохраняется во всех чанках; DOCX сохраняет порядок; RTF учитывает кодировку
# и быстро пропускает изображения; DOC использует платформенные конвертеры;
# таблицы сохраняют пустые ячейки/заголовки; ошибки логируются; добавлены самотесты.