# FakturyRenameClaudeLocalOCR.py
# Verze: 1.0
# Datum: 05JUN2026
# Autor: Claude (Anthropic)
#
# Popis:
# Jako FakturyRenameClaude.py, ale PDF se nezasílá do API.
# Místo toho se každá stránka PDF převede lokálně na obrázek (PyMuPDF),
# provede se OCR pomocí Tesseract (pytesseract) a Claude dostane pouze
# vytěžený text. Levnější a rychlejší — odesíláme jen text, ne velký PDF.
#
# Závislosti:
#   pip install anthropic pymupdf pytesseract
#   + nainstalovaný Tesseract: https://github.com/UB-Mannheim/tesseract/wiki
#
# Výsledný formát názvu:
# YYYY-MM-DD Typ Dodavatel ČÍSLO [popis] [částka MĚNA].pdf
#
# Při DRY_RUN = False skript soubor přejmenuje a přesune do podadresáře
# NamedInvoicesbyClaude, aby další běh zpracovával jen nové dokumenty.

import os
import json
import re
import time
from pathlib import Path

import anthropic
import fitz          # PyMuPDF
import pytesseract
from PIL import Image


# =========================
# CENA API (jen text tokeny — levnější než posílat PDF)
# =========================

USD_TO_CZK = 25.0

MODEL = "claude-haiku-4-5"

PRICE_INPUT_USD_PER_1M = 1.00
PRICE_OUTPUT_USD_PER_1M = 5.00


# =========================
# NASTAVENÍ
# =========================

FOLDER = Path(
    r"u:\Dropbox\Ordinace\!!MUDr. Michaela Buzalková s.r.o\Prosek\#040 Faktury přijaté"
)

PROCESSED_FOLDER = FOLDER / "NamedInvoicesByClaudeLocalOCR"

# Pro test na 3 fakturách nech DRY_RUN = True.
DRY_RUN = False

PDF_PATTERN = "*.pdf"

LOG_FILE = FOLDER / "_rename_log_invoices_claude_ocr.txt"

ENV_FILE = Path(__file__).resolve().parent.parent / "Medevio" / ".env"

# Cesta k Tesseract.exe (Windows výchozí instalace)
TESSERACT_CMD = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

# Jazyk OCR — češtiny + angličtina (pro čísla, názvy)
TESSERACT_LANG = "ces+eng"

# DPI pro renderování stránek PDF před OCR (150 = rychlé, 300 = přesnější)
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  ← pro storno/vrátky (ne Dobropis, pokud dokument říká "Opravný daňový doklad")
   - Paragon
   - Dodací list
   - Zálohová faktura
   - Smlouva
   - Dodatek          ← pro dodatky ke smlouvám
   - Platba           ← pro členské příspěvky a podobné platby bez faktury
   - Poplatek
   - Mzdy             ← pro výplatní / mzdové dokumenty
   - Výdajový pokladní doklad
4. Pokud je v dokumentu napsáno "Dodací list není daňový doklad - nehraďte", typ musí být "Dodací list", ne "Faktura".
5. Dodavatel zapisuj krátce a konzistentně podle tohoto seznamu — použij přesně tato jména:
   - MEDIPOS          (Medipos, MEDIPOS s.r.o.)
   - MEDEVIO          (Medevio)
   - MEDATRON         (MEDATRON s.r.o., Medatron)
   - ASKER            (Asker)
   - QuickSeal        (QuickSeal International s.r.o.)
   - Poliklinika Prosek  (i pro "Lékárna Poliklinika Prosek a.s." — viz pravidlo 14)
   - Alza
   - Microsoft
   - OpenAI
   - Ptáček           (i pro "Distribuce CZ" — viz pravidlo 6)
   - Avenier
   - Stormware        (STORMWARE s.r.o., Pohoda software)
   - CompuGroup       (CompuGroup Medical, Medicus software)
   - CLIMPROFI        (CLIMPROFI s.r.o.)
   - SEIVA            (SEIVA s.r.o.)
   - DrMAX
   - Mediately        (číslo je krátký hash, např. 80fae, bcd33)
   - Kooperativa
   - ICA              (ICA a.s., První certifikační autorita — certifikáty)
   - Česká pošta
   - SOLDIERBOY
   - OMNIPRAX
   - Medicross        (MediCross s.r.o.)
6. SPECIÁLNÍ PRAVIDLO: pokud je dodavatel/firma "Distribuce CZ", v názvu souboru použij dodavatele "Ptáček".
7. SPECIÁLNÍ PRAVIDLO: u faktur MEDIPOS použij jako číslo dokladu variabilní symbol nebo hlavní číslo faktury bez mezer, například 10195703. Nepoužívej interní evidenční číslo typu FV-5703/2026.
8. SPECIÁLNÍ PRAVIDLO: u faktur MEDEVIO přidej za číslo faktury i měsíční kód, například "2600616 JAN2026".
9. Částku piš vždy s desetinnou tečkou a měnou, například [5578.97 CZK]. Pokud je částka záporná (dobropis/storno), piš ji jako [-12941.00 CZK].
10. Pokud je částka v EUR, měna je EUR, pokud v Kč/CZK, měna je CZK.
11. Popis drž krátký, praktický a česky.
12. Popis dávej do hranatých závorek [popis].
13. Nepoužívej dvojtečky, lomítka, uvozovky ani znaky nevhodné pro Windows názvy souborů.
14. Pokud je dodavatel "Lékárna Poliklinika Prosek", "Lékárna Prosek" nebo podobně, použij jako dodavatele "Poliklinika Prosek" a jako popis [lékárna] nebo [léky do ordinace].
15. Paragon: pokud dokument nemá číslo dokladu, vynech ho. Popis musí popisovat co bylo nakoupeno.
16. Pokud jde jen o dodací list bez daňového dokladu, částku můžeš uvést, ale typ musí zůstat Dodací list.
17. Pokud si nejsi jistý popisem, použij obecný popis: [materiál do ordinace], [lékárna], [vakcíny], [testy], [licence], [předplatné].
18. Výstup musí být pouze validní JSON, nic jiného.

JSON FORMÁT:
{
  "filename": "YYYY-MM-DD Faktura Dodavatel 123456 [popis] [123.45 CZK].pdf"
}
"""


# =========================
# POMOCNÉ FUNKCE
# =========================

def load_env() -> None:
    if ENV_FILE.exists():
        for line in ENV_FILE.read_text(encoding="utf-8").splitlines():
            line = line.strip()
            if "=" in line and not line.startswith("#"):
                k, v = line.split("=", 1)
                os.environ[k.strip()] = v.strip()


def ocr_pdf(pdf_path: Path) -> str:
    """Převede PDF na obrázky a provede OCR Tesseractem. Vrátí spojený text."""
    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 calculate_cost(input_tokens: int, output_tokens: int) -> dict:
    input_cost_usd = input_tokens / 1_000_000 * PRICE_INPUT_USD_PER_1M
    output_cost_usd = output_tokens / 1_000_000 * PRICE_OUTPUT_USD_PER_1M
    total_cost_usd = input_cost_usd + output_cost_usd
    return {
        "input_tokens": input_tokens,
        "output_tokens": output_tokens,
        "total_tokens": input_tokens + output_tokens,
        "input_cost_usd": input_cost_usd,
        "output_cost_usd": output_cost_usd,
        "total_cost_usd": total_cost_usd,
        "total_cost_czk": total_cost_usd * USD_TO_CZK,
    }


def ask_claude_for_filename(client: anthropic.Anthropic, ocr_text: str) -> tuple[str, dict]:
    prompt = f"OCR text z faktury:\n\n{ocr_text}\n\n{NAMING_RULES}"

    response = client.messages.create(
        model=MODEL,
        max_tokens=256,
        messages=[
            {
                "role": "user",
                "content": prompt,
            }
        ],
    )

    text = next(
        (block.text for block in response.content if block.type == "text"), ""
    ).strip()

    obj = extract_json_object(text)
    filename = obj.get("filename", "").strip()
    if not filename:
        raise ValueError(f"JSON neobsahuje filename:\n{text}")

    cost = calculate_cost(response.usage.input_tokens, response.usage.output_tokens)
    return sanitize_windows_filename(filename), cost


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

    load_env()

    if not os.getenv("ANTHROPIC_API_KEY"):
        raise RuntimeError(f"Chybí ANTHROPIC_API_KEY. Zkontroluj soubor {ENV_FILE}")

    client = anthropic.Anthropic()

    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

    total_input_tokens = 0
    total_output_tokens = 0
    total_tokens = 0
    total_cost_usd = 0.0
    total_cost_czk = 0.0

    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}  (lokální OCR, do API jde jen text)")
    log_line(f"OCR DPI: {OCR_DPI}, jazyk: {TESSERACT_LANG}")
    log_line(f"Kurz: 1 USD = {USD_TO_CZK:.2f} CZK")
    log_line("=" * 80)

    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)
            ocr_chars = len(ocr_text)
            log_line(f"  OCR hotovo: {ocr_chars} znaků")

            new_name, cost = ask_claude_for_filename(client, ocr_text)

            total_input_tokens += cost["input_tokens"]
            total_output_tokens += cost["output_tokens"]
            total_tokens += cost["total_tokens"]
            total_cost_usd += cost["total_cost_usd"]
            total_cost_czk += cost["total_cost_czk"]

            log_line(f"  Návrh: {new_name}")
            log_line(
                f"  Tokeny: input={cost['input_tokens']}, "
                f"output={cost['output_tokens']}, "
                f"total={cost['total_tokens']}"
            )
            log_line(
                f"  Cena volání: ${cost['total_cost_usd']:.6f} "
                f"≈ {cost['total_cost_czk']:.2f} Kč"
            )

            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 CENY")
    log_line(f"Tokeny celkem: input={total_input_tokens}, output={total_output_tokens}, total={total_tokens}")
    log_line(f"Cena celkem: ${total_cost_usd:.6f} ≈ {total_cost_czk:.2f} Kč")
    log_line("=" * 80)

    log_line("\nHOTOVO")


if __name__ == "__main__":
    main()