310 lines
9.8 KiB
Python
310 lines
9.8 KiB
Python
# 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()
|