z230

2026-06-05 15:48:09 +02:00
parent d850486eb9
commit c9f94de286
4 changed files with 1120 additions and 24 deletions
@@ -0,0 +1,309 @@
+# FakturyRenameOllama.py
+# Verze: 1.0
+# Datum: 05JUN2026
+# Autor: Claude (Anthropic)
+#
+# Popis:
+# Jako FakturyRenameClaudeLocalOCR.py, ale místo Anthropic API posílá
+# OCR text na lokální Ollama server (Unraid). Žádné API tokeny, žádné náklady.
+# Lokální OCR (Tesseract) + lokální LLM (Ollama) = 100% offline.
+#
+# Závislosti:
+#   pip install pymupdf pytesseract pillow requests
+#   + nainstalovaný Tesseract: https://github.com/UB-Mannheim/tesseract/wiki
+#
+# Výsledný formát názvu:
+# YYYY-MM-DD Typ Dodavatel ČÍSLO [popis] [částka MĚNA].pdf
+
+import json
+import re
+import time
+import requests
+from pathlib import Path
+
+import fitz          # PyMuPDF
+import pytesseract
+from PIL import Image
+
+
+# =========================
+# NASTAVENÍ OLLAMA
+# =========================
+
+OLLAMA_HOST = "http://192.168.1.76:11434"
+MODEL = "mistral:7b"
+
+
+# =========================
+# NASTAVENÍ
+# =========================
+
+FOLDER = Path(
+    r"u:\Dropbox\Ordinace\!!MUDr. Michaela Buzalková s.r.o\Prosek\#040 Faktury přijaté"
+)
+
+PROCESSED_FOLDER = FOLDER / "NamedInvoicesByOllama"
+
+# Pro test nech DRY_RUN = True — jen vypíše návrhy, nepřejmenuje.
+DRY_RUN = False
+
+PDF_PATTERN = "*.pdf"
+
+LOG_FILE = FOLDER / "_rename_log_invoices_ollama.txt"
+
+# Cesta k Tesseract.exe
+TESSERACT_CMD = r"C:\Program Files\Tesseract-OCR\tesseract.exe"
+
+TESSERACT_LANG = "ces+eng"
+
+OCR_DPI = 300
+
+
+# =========================
+# PRAVIDLA PRO POJMENOVÁNÍ
+# =========================
+
+NAMING_RULES = """
+Jsi pomocník pro pojmenování naskenovaných PDF dokladů MUDr. Michaely Buzalkové.
+
+ÚKOL:
+Z OCR textu faktury/dokladu vytěž datum, typ dokladu, dodavatele, číslo dokladu, stručný popis, částku a měnu.
+Vrať pouze JSON s polem "filename".
+
+CÍLOVÝ FORMÁT:
+YYYY-MM-DD Typ Dodavatel ČÍSLO [popis] [částka MĚNA].pdf
+
+PŘÍKLADY — různé typy dokladů:
+2026-01-22 Faktura MEDIPOS 101827406 [materiál do ordinace] [9620.80 CZK].pdf
+2026-01-16 Faktura MEDEVIO 2600616 JAN2026 [1999.00 CZK].pdf
+2026-01-07 Faktura Ptáček 202600168 [vakcíny] [6070.00 CZK].pdf
+2026-01-15 Faktura Poliklinika Prosek 91251957 [telefon a sterilizace] [827.28 CZK].pdf
+2026-01-29 Faktura QuickSeal 120600292 [kontrola kvality QSK 1. cyklus 2026] [6970.00 CZK].pdf
+2026-01-20 Faktura Microsoft G136228996 [licence] [942.95 CZK].pdf
+2026-01-04 Faktura OpenAI 3OXD6KWG-0006 [ChatGPT plus subscription] [558.88 CZK].pdf
+2026-01-31 Faktura Mediately 80fae [předplatné] [175.12 CZK].pdf
+2026-01-16 Faktura MEDATRON 2261100086 [coagucheck 2x] [5677.40 CZK].pdf
+2026-02-11 Opravný doklad Alza 3260384509 [vratka faktury 4009941955] [-12941.00 CZK].pdf
+2026-04-28 Faktura CLIMPROFI 900260026 [servis a čištění klimatizace] [2178.00 CZK].pdf
+2026-01-19 Paragon [parkování Poliklinika Prosek 2026] [4800.00 CZK].pdf
+2026-03-18 Paragon [papír do tiskárny] [180.00 CZK].pdf
+2026-01-13 Mzdy MUDr. Buzalkové 202512 [Jarmila Kusinová].pdf
+2025-03-31 Platba Michaela Buzalkové ČLK 2025 [4000.00 CZK].pdf
+2025-01-24 Zálohová faktura Stormware 2512805657 [program Pohoda mini].pdf
+2025-11-11 Faktura Avenier 425160437 [vakcíny] [28180.00 CZK].pdf
+2025-04-03 Faktura CLIMPROFI 900250020 [servis a čištění klimatizace] [2057.00 CZK].pdf
+2026-01-22 Dodatek Poliklinika Prosek [nájemní smlouva č.3].pdf
+2025-12-31 Smlouva Kooperativa 8604142932 [profesní pojištění odpovědnosti 2026].pdf
+
+DŮLEŽITÁ PRAVIDLA:
+1. Prefix [POHODA] nikdy nepřidávej.
+2. Používej datum vystavení dokladu, ne datum splatnosti.
+3. Typ dokladu vyber podle dokumentu:
+   - Faktura
+   - Dobropis
+   - Opravný doklad
+   - Paragon
+   - Dodací list
+   - Zálohová faktura
+   - Smlouva
+   - Dodatek
+   - Platba
+   - Poplatek
+   - Mzdy
+   - Výdajový pokladní doklad
+4. Pokud je v dokumentu "Dodací list není daňový doklad - nehraďte", typ = "Dodací list".
+5. Dodavatel krátce a konzistentně: MEDIPOS, MEDEVIO, MEDATRON, ASKER, QuickSeal,
+   Poliklinika Prosek, Alza, Microsoft, OpenAI, Ptáček, Avenier, Stormware,
+   CompuGroup, CLIMPROFI, SEIVA, DrMAX, Mediately, Kooperativa, ICA, Česká pošta,
+   SOLDIERBOY, OMNIPRAX, Medicross.
+6. "Distribuce CZ" → použij "Ptáček".
+7. MEDIPOS: číslo = variabilní symbol (např. 10195703), ne FV-5703/2026.
+8. MEDEVIO: přidej měsíční kód za číslo (např. "2600616 JAN2026").
+9. Částka s desetinnou tečkou a měnou [5578.97 CZK]. Záporná = [-12941.00 CZK].
+10. EUR = EUR, Kč = CZK.
+11. Popis krátký, česky, do hranatých závorek.
+12. Žádné znaky nevhodné pro Windows: < > : " / \\ | ? *
+13. "Lékárna Poliklinika Prosek" → dodavatel "Poliklinika Prosek", popis [lékárna].
+14. Paragon bez čísla dokladu: číslo vynech.
+15. Výstup musí být POUZE validní JSON, nic jiného, žádný komentář.
+
+JSON FORMÁT:
+{"filename": "YYYY-MM-DD Faktura Dodavatel 123456 [popis] [123.45 CZK].pdf"}
+"""
+
+
+# =========================
+# POMOCNÉ FUNKCE
+# =========================
+
+def ocr_pdf(pdf_path: Path) -> str:
+    doc = fitz.open(str(pdf_path))
+    texts = []
+    matrix = fitz.Matrix(OCR_DPI / 72, OCR_DPI / 72)
+
+    for page_num, page in enumerate(doc, start=1):
+        pix = page.get_pixmap(matrix=matrix, colorspace=fitz.csRGB)
+        img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
+        page_text = pytesseract.image_to_string(img, lang=TESSERACT_LANG)
+        texts.append(f"--- Strana {page_num} ---\n{page_text}")
+
+    doc.close()
+    return "\n\n".join(texts)
+
+
+def sanitize_windows_filename(name: str) -> str:
+    name = re.sub(r'[<>:"/\\|?*]', " ", name)
+    name = re.sub(r"\s+", " ", name).strip()
+    name = name.rstrip(" .")
+    if not name.lower().endswith(".pdf"):
+        name += ".pdf"
+    return name
+
+
+def unique_path(target: Path) -> Path:
+    if not target.exists():
+        return target
+    stem = target.stem
+    suffix = target.suffix
+    parent = target.parent
+    i = 2
+    while True:
+        candidate = parent / f"{stem} ({i}){suffix}"
+        if not candidate.exists():
+            return candidate
+        i += 1
+
+
+def extract_json_object(text: str) -> dict:
+    text = text.strip()
+    text = re.sub(r"^```(?:json)?\s*", "", text)
+    text = re.sub(r"\s*```$", "", text.strip()).strip()
+    try:
+        return json.loads(text)
+    except json.JSONDecodeError:
+        pass
+    match = re.search(r"\{.*\}", text, flags=re.DOTALL)
+    if not match:
+        raise ValueError(f"Model nevrátil JSON:\n{text}")
+    return json.loads(match.group(0))
+
+
+def ask_ollama_for_filename(ocr_text: str) -> tuple[str, float]:
+    prompt = f"OCR text z faktury:\n\n{ocr_text}\n\n{NAMING_RULES}"
+
+    payload = {
+        "model": MODEL,
+        "messages": [
+            {"role": "user", "content": prompt}
+        ],
+        "stream": False,
+        "options": {
+            "temperature": 0,
+        },
+    }
+
+    t0 = time.time()
+    resp = requests.post(
+        f"{OLLAMA_HOST}/api/chat",
+        json=payload,
+        timeout=120,
+    )
+    resp.raise_for_status()
+    elapsed = time.time() - t0
+
+    data = resp.json()
+    text = data["message"]["content"].strip()
+
+    obj = extract_json_object(text)
+    filename = obj.get("filename", "").strip()
+    if not filename:
+        raise ValueError(f"JSON neobsahuje filename:\n{text}")
+
+    return sanitize_windows_filename(filename), elapsed
+
+
+def log_line(text: str) -> None:
+    print(text)
+    with LOG_FILE.open("a", encoding="utf-8") as f:
+        f.write(text + "\n")
+
+
+# =========================
+# HLAVNÍ BĚH
+# =========================
+
+def main() -> None:
+    if not FOLDER.exists():
+        raise FileNotFoundError(f"Adresář neexistuje: {FOLDER}")
+
+    pytesseract.pytesseract.tesseract_cmd = TESSERACT_CMD
+
+    # Test spojení s Ollama
+    try:
+        r = requests.get(f"{OLLAMA_HOST}/api/tags", timeout=5)
+        r.raise_for_status()
+    except Exception as e:
+        raise RuntimeError(f"Ollama server není dostupný na {OLLAMA_HOST}: {e}")
+
+    pdfs = sorted(FOLDER.glob(PDF_PATTERN))
+    pdfs = [p for p in pdfs if p.is_file() and p.suffix.lower() == ".pdf"]
+
+    if not pdfs:
+        print("Nenalezeno žádné PDF.")
+        return
+
+    log_line("")
+    log_line("=" * 80)
+    log_line(f"START: {time.strftime('%Y-%m-%d %H:%M:%S')}")
+    log_line(f"Adresář: {FOLDER}")
+    log_line(f"Hotové faktury: {PROCESSED_FOLDER}")
+    log_line(f"Počet PDF: {len(pdfs)}")
+    log_line(f"DRY_RUN: {DRY_RUN}")
+    log_line(f"MODEL: {MODEL}  @ {OLLAMA_HOST}  (lokální, bez nákladů)")
+    log_line(f"OCR DPI: {OCR_DPI}, jazyk: {TESSERACT_LANG}")
+    log_line("=" * 80)
+
+    total_elapsed = 0.0
+
+    for i, pdf in enumerate(pdfs, start=1):
+        log_line(f"\n[{i}/{len(pdfs)}] Původní název: {pdf.name}")
+
+        try:
+            log_line("  OCR...")
+            ocr_text = ocr_pdf(pdf)
+            log_line(f"  OCR hotovo: {len(ocr_text)} znaků")
+
+            new_name, elapsed = ask_ollama_for_filename(ocr_text)
+            total_elapsed += elapsed
+
+            log_line(f"  Návrh: {new_name}")
+            log_line(f"  Čas odpovědi modelu: {elapsed:.1f}s")
+
+            target = unique_path(PROCESSED_FOLDER / new_name)
+            if target.name != new_name:
+                log_line(f"  Cíl po vyřešení konfliktu: {target.name}")
+
+            if DRY_RUN:
+                log_line(f"  Cíl: {target}")
+                log_line("  Stav: DRY-RUN, nepřejmenováno/nepřesunuto")
+            else:
+                PROCESSED_FOLDER.mkdir(exist_ok=True)
+                pdf.rename(target)
+                if pdf.name == new_name:
+                    log_line("  Stav: PŘESUNUTO")
+                else:
+                    log_line("  Stav: PŘEJMENOVÁNO A PŘESUNUTO")
+
+        except Exception as e:
+            log_line(f"  CHYBA: {type(e).__name__}: {e}")
+
+    log_line("")
+    log_line("=" * 80)
+    log_line("SOUHRN")
+    log_line(f"Celkový čas modelu: {total_elapsed:.1f}s  |  Cena: 0 Kč (lokální model)")
+    log_line("=" * 80)
+    log_line("\nHOTOVO")
+
+
+if __name__ == "__main__":
+    main()