descarga_adjuntos_correos_cpe/pdf_utilities.py

import pdfplumber
import re
import os
import llm_processor

# ========================================================================
def extraer_texto_pdf(ruta_pdf):
    """Extrae todo el texto de un PDF usando pdfplumber."""
    texto_completo = ""
    try:
        with pdfplumber.open(ruta_pdf) as pdf:
            for page in pdf.pages:
                texto_completo += page.extract_text() + "\n"
        return texto_completo
    except Exception as e:
        print(f"      ⚠️ Error leyendo PDF {ruta_pdf}: {e}")
        return ""

# ========================================================================
def extraer_ruc(texto):
    """Busca un RUC (11 dígitos, empieza con 10 o 20) en el texto."""
    # Intentamos buscar patrones de RUC: RUC 2060... o R.U.C. 2060...
    patrones = [
        r'R\.?U\.?C\.?\s*[:\-\s]\s*((?:10|20)\d{9})', # R.U.C: 20...
        r'\b((?:10|20)\d{9})\b'                      # 11 dígitos sueltos que empiecen con 10 o 20
    ]
    
    for patron in patrones:
        match = re.search(patron, texto, re.IGNORECASE)
        if match:
            return match.group(1)
    return "N/A"

# ========================================================================
def _flexible(palabra):
    """Convierte una palabra en un patrón regex que tolera espacios entre caracteres.
    Ej: FACTURA -> F\\s*A\\s*C\\s*T\\s*U\\s*R\\s*A
    """
    return '\\s*'.join(palabra)


def extraer_tipo_documento(texto):
    """Identifica el tipo de documento SUNAT basándose en el texto usando regex multilínea.
    Soporta texto con espacios entre caracteres (ej: 'F A C T U R A')."""
    t = texto.upper()

    patrones = {
        "01": [
            rf'{_flexible("FACTURA")}\s+({_flexible("ELECTRÓNICA")}|{_flexible("ELECTRONICA")}|DE\s+VENTA)',
            rf'{_flexible("FACTURA")}',
        ],
        "03": [
            rf'{_flexible("BOLETA")}\s+DE\s+{_flexible("VENTA")}',
            rf'{_flexible("BOLETA")}\s+{_flexible("ELECTRÓNICA")}',
            rf'{_flexible("BOLETA")}\s+{_flexible("ELECTRONICA")}',
        ],
        "07": [
            rf'{_flexible("NOTA")}\s+DE\s+{_flexible("CRÉDITO")}',
            rf'{_flexible("NOTA")}\s+DE\s+{_flexible("CREDITO")}',
        ],
        "08": [
            rf'{_flexible("NOTA")}\s+DE\s+{_flexible("DÉBITO")}',
            rf'{_flexible("NOTA")}\s+DE\s+{_flexible("DEBITO")}',
        ],
        "14": [
            rf'{_flexible("RECIBO")}\s+POR\s+{_flexible("HONORARIOS")}',
        ],
        "09": [
            rf'{_flexible("GUÍA")}\s+DE\s+{_flexible("REMISIÓN")}',
            rf'{_flexible("GUIA")}\s+DE\s+{_flexible("REMISION")}',
        ],
    }

    for tipo, regex_list in patrones.items():
        for p in regex_list:
            if re.search(p, t, re.IGNORECASE | re.MULTILINE):
                return tipo

    return "99"

# ========================================================================
def extraer_serie_numero(texto):
    """Busca la serie y número (ej. F001-123, E001-0000123, EG07-2367)."""
    serie_patrones = [
        # Formato con guión: letras+dígitos - número
        r'\b([A-Z]{1,4}\d{2,4})\s*-\s*(\d+)\b',
        # Fallback sin guión
        r'([A-Z]{1,4}\d{2,4})\s+(\d{1,10})',
        # Serie numérica corta sin letras
        r'\b(\d{3})\s*-\s*(\d+)\b'
    ]
    
    for patron in serie_patrones:
        match = re.search(patron, texto)
        if match:
            return f"{match.group(1)}-{match.group(2)}"
        
    return "No encontrado"

# ========================================================================
def _necesita_llm(resultado):
    """True si algún campo clave no se encontró con regex."""
    return (
        resultado['ruc'] in ("N/A", "Desconocido") or
        resultado['tipo_doc'] == "99" or
        resultado['id'] in ("No encontrado", "N/A")
    )


def _campos_rellenados(regex_original, regex_result):
    """Cuenta cuántos campos cambió el LLM respecto al regex original."""
    count = 0
    if regex_original['ruc'] in ("N/A", "Desconocido") and regex_result['ruc'] not in ("N/A", "Desconocido"):
        count += 1
    if regex_original['tipo_doc'] == "99" and regex_result['tipo_doc'] != "99":
        count += 1
    if regex_original['id'] in ("No encontrado", "N/A") and regex_result['id'] not in ("No encontrado", "N/A"):
        count += 1
    return count


def _merge_llm(regex_result, llm_data):
    """Rellena campos vacíos del regex con datos del LLM sin pisar lo ya encontrado."""
    if regex_result['ruc'] in ("N/A", "Desconocido"):
        ruc = llm_data.get('ruc', '')
        if re.match(r'^(10|20)\d{9}$', str(ruc)):
            regex_result['ruc'] = ruc

    if regex_result['tipo_doc'] == "99":
        tipo = str(llm_data.get('tipo', '99'))
        tipo_codes = {"01", "02", "03", "07", "08", "09", "14"}
        if tipo in tipo_codes:
            regex_result['tipo_doc'] = tipo

    if regex_result['id'] in ("No encontrado", "N/A"):
        serie = str(llm_data.get('serie', ''))
        numero = str(llm_data.get('numero', ''))
        if serie and numero:
            regex_result['id'] = f"{serie}-{numero}"

    return regex_result


def obtener_datos_pdf(ruta_pdf):
    """Orquestador para extraer metadata de un PDF.
    Primero intenta con regex; si faltan campos, usa LLM como fallback."""
    texto = extraer_texto_pdf(ruta_pdf)
    if not texto:
        return {"valido": False, "error": "No se pudo extraer texto"}

    resultado = {
        "valido": True,
        "tipo_doc": extraer_tipo_documento(texto),
        "ruc": extraer_ruc(texto),
        "id": extraer_serie_numero(texto),
        "llm_usado": False,
        "llm_respuesta": None
    }

    if _necesita_llm(resultado):
        resultado["llm_usado"] = True
        llm_data = llm_processor.extraer_con_llm(texto)
        resultado["llm_respuesta"] = dict(llm_data) if llm_data else None
        if llm_data:
            antes = dict(resultado)
            resultado = _merge_llm(resultado, llm_data)

    return resultado
# ========================================================================