app.py

import gradio as gr
import pdfplumber
import re
from transformers import LayoutLMForTokenClassification, AutoTokenizer
import torch

# Wczytanie modelu LayoutLMv3
model_name = "kryman27/layoutlmv3-finetuned"
model = LayoutLMForTokenClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)  # Automatyczne wykrycie tokenizatora

# Reguły do wykrywania NIP, kwot, dat
nip_pattern = re.compile(r'\bPL\s?\d{10}\b|\b\d{10}\b')
kwota_pattern = re.compile(r'\b\d+[\.,]?\d*\s?(PLN|zł|EUR|USD)?\b')  # Rozpoznawanie walut
data_pattern = re.compile(r'\b\d{2}\.\d{2}\.\d{4}\b')  # Format DD.MM.YYYY
payment_keywords = ["data płatności", "termin płatności", "zapłata", "zapłacono", "płatność"]
seller_keywords = ["sprzedawca", "faktura wystawiona przez", "wystawca", "nazwa firmy"]

def extract_invoice_data(pdf_file):
    with pdfplumber.open(pdf_file) as pdf:
        words, boxes, full_text = [], [], []

        for page in pdf.pages:
            extracted_words = page.extract_words()
            for word in extracted_words:
                words.append(word['text'])  # Pobieramy tekst słowa
                bbox = [int(word['x0']), int(word['top']), int(word['x1']), int(word['bottom'])]  # Zaokrąglamy wartości
                boxes.append(bbox)  # Pobieramy bounding box (pozycję słowa na stronie)

            page_text = page.extract_text()
            if page_text:
                full_text.append(page_text.lower())

    full_text = "\n".join(full_text)  # Łączymy cały tekst dokumentu

    # Tokenizacja tekstu + dodanie bounding boxes
    encoding = tokenizer.encode_plus(words, boxes=boxes, return_tensors="pt", truncation=True)

    # Predykcja modelu
    with torch.no_grad():
        outputs = model(**encoding)
    predictions = outputs.logits.argmax(-1).squeeze().tolist()

    # Przetwarzanie wyników
    entities = []
    for token, pred in zip(words, predictions):
        if pred > 0:  # Pomijamy tło
            entities.append((token, model.config.id2label[pred]))

    # 🏢 Wyszukiwanie nazwy sprzedawcy
    seller_name = [token for token, label in entities if "ORG" in label]
    
    # Jeśli model nie znalazł, szukamy w tekście
    if not seller_name:
        for line in full_text.split("\n"):
            if any(keyword in line for keyword in seller_keywords):
                seller_name = line.split(":")[-1].strip()
                break

    # 🔢 Wyszukiwanie NIP
    seller_nip = nip_pattern.search(full_text)
    
    # 💰 Wyszukiwanie kwoty całkowitej (największa kwota z walutą)
    kwoty = kwota_pattern.findall(full_text)
    kwoty = [k[0].replace(",", ".") for k in kwoty if k[0].replace(",", ".").replace(".", "").isdigit()]
    total_amount = max(map(float, kwoty), default=None) if kwoty else None

    # 📆 Wyszukiwanie daty płatności
    payment_date = None
    for line in full_text.split("\n"):
        if any(keyword in line for keyword in payment_keywords):
            date_match = data_pattern.search(line)
            if date_match:
                payment_date = date_match.group()
                break

    return {
        "Sprzedawca": " ".join(seller_name) if seller_name else "Nie znaleziono",
        "NIP": seller_nip.group() if seller_nip else "Nie znaleziono",
        "Kwota całkowita": total_amount if total_amount else "Nie znaleziono",
        "Data płatności": payment_date if payment_date else "Nie znaleziono"
    }

# Interfejs użytkownika
iface = gr.Interface(
    fn=extract_invoice_data,
    inputs=gr.File(label="Wybierz plik PDF"),
    outputs="json",
    title="Ekstrakcja danych z faktury",
    description="Prześlij plik PDF, a model zwróci dane sprzedawcy, NIP, kwotę i datę płatności."
)

if __name__ == "__main__":
    iface.launch()