Извлечение данных и OCR

Извлечение данных и OCR

Доступные библиотеки

• pdfplumber — извлечение таблиц и текста из PDF
• pdf2image — конвертация PDF в изображения
• Pillow — обработка изображений
• openpyxl — создание Excel-файлов
• pandas — обработка табличных данных

БЛОК 2: Сканы и изображения

Шаг 1: проверь, распознано ли уже

Текст на месте — распознавать нечего, иди сразу в БЛОК 4 (структурирование).

Пусто или PDF-скан — вызывай инструмент:

Предобработка (контраст, бинаризация, шумодав) не нужна — это рецепт для tesseract, а не для распознавания, которое делает платформа. Координат блоков и рамок слов этот маршрут не отдаёт: нужен разбор геометрии страницы — задавай вопрос об изображении через analyze(kind="describe", question=…).

Дальше работает обычный код: текст из ответа инструмента (или из documents[i]["text"]) обрабатывается паттернами БЛОКА 4 (реквизиты, суммы, даты) и БЛОКА 6 (экспорт в Excel).

БЛОК 4: Структурирование данных

Паттерн: Дата заключения договора и срок оплаты

Для электронных договоров датой заключения обычно считается дата подписания ЭЦП последней стороной (она может отличаться от даты в шапке): тогда base_iso бери из даты ЭЦП, а не из find_contract_date. find_payment_term различает «рабочих» и «календарных» дней; payment_deadline считает рабочие дни через add_business_days.

Не форматируй даты через strftime с локалью. date.strftime("%d.%m.%Y", "ru") падает с TypeError: strftime() takes at most 1 argument (2 given) — у date/datetime метод принимает только строку формата. Русский день недели бери из RU_WEEKDAYS[d.weekday()], а не из strftime("%A").

БЛОК 5: Работа с входными файлами

Паттерн: несколько сканов сразу

Пачка идёт одним вызовом инструмента — до 10 документов, распознаются параллельно:

Больше десяти — режь на партии по 10. Собирать распознанное в ячейке уже не нужно: текст закреплён за каждым документом и на следующем ходу доступен как documents[i]["text"].

БЛОК 7: Комбинированные сценарии

Задача: PDF скан → OCR → Таблица в Excel

Шаг 1 — распознавание инструментом (страницы можно сузить, документ при этом один):

Шаг 2 — разбор в ячейке:

БЛОК 8: Типичные команды пользователя