# 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()