259 lines
11 KiB
Python
259 lines
11 KiB
Python
"""
|
||
OCR Service - Распознавание документов + AI проверка
|
||
"""
|
||
import httpx
|
||
import logging
|
||
from typing import Optional, Dict, Any
|
||
from ..config import settings
|
||
import json
|
||
from .s3_service import s3_service
|
||
|
||
logger = logging.getLogger(__name__)
|
||
|
||
|
||
class OCRService:
|
||
"""Сервис для OCR и AI анализа документов"""
|
||
|
||
def __init__(self):
|
||
self.ocr_url = settings.ocr_api_url
|
||
self.ai_api_key = settings.openrouter_api_key
|
||
self.ai_model = settings.openrouter_model
|
||
|
||
async def process_document(self, file_content: bytes, filename: str) -> Dict[str, Any]:
|
||
"""
|
||
Обработка документа: OCR + AI анализ
|
||
|
||
Args:
|
||
file_content: Содержимое файла
|
||
filename: Имя файла
|
||
|
||
Returns:
|
||
Dict с результатами OCR и AI анализа
|
||
"""
|
||
result = {
|
||
"ocr_text": "",
|
||
"ai_analysis": None,
|
||
"document_type": "unknown", # policy, passport, ticket, other, garbage
|
||
"is_valid": False,
|
||
"confidence": 0.0,
|
||
"extracted_data": {}
|
||
}
|
||
|
||
try:
|
||
# Шаг 0: Загружаем файл в S3 и получаем presigned URL
|
||
logger.info(f"📤 Uploading file to S3: {filename}")
|
||
|
||
# Определяем content_type
|
||
content_type = "image/jpeg"
|
||
if filename.lower().endswith('.pdf'):
|
||
content_type = "application/pdf"
|
||
elif filename.lower().endswith('.png'):
|
||
content_type = "image/png"
|
||
elif filename.lower().endswith(('.heic', '.heif')):
|
||
content_type = "image/heic"
|
||
|
||
# Загружаем в S3
|
||
s3_url = await s3_service.upload_file(
|
||
file_content=file_content,
|
||
filename=filename,
|
||
content_type=content_type,
|
||
folder="ocr_temp"
|
||
)
|
||
|
||
if not s3_url:
|
||
logger.error("❌ Failed to upload file to S3")
|
||
return result
|
||
|
||
# Используем простой публичный URL
|
||
# Файлы в ocr_temp/ загружаются с ACL=public-read
|
||
ocr_file_url = s3_url # Уже публичный URL!
|
||
|
||
logger.info(f"✅ File uploaded to S3, using public URL for OCR")
|
||
|
||
# Шаг 1: OCR распознавание текста через URL
|
||
logger.info(f"🔍 Starting OCR for: {filename}")
|
||
|
||
# Определяем file_type по расширению (OCR API требует строку!)
|
||
file_ext = filename.lower().split('.')[-1]
|
||
file_type_map = {
|
||
'pdf': 'pdf',
|
||
'jpg': 'jpeg',
|
||
'jpeg': 'jpeg',
|
||
'png': 'png',
|
||
'heic': 'heic',
|
||
'heif': 'heic',
|
||
'docx': 'docx',
|
||
'doc': 'doc'
|
||
}
|
||
file_type = file_type_map.get(file_ext, 'pdf') # По умолчанию pdf
|
||
|
||
logger.info(f"📄 File type detected: {file_type}")
|
||
|
||
async with httpx.AsyncClient(timeout=90.0) as client:
|
||
# OCR API ожидает JSON с file_url
|
||
response = await client.post(
|
||
f"{self.ocr_url}/analyze-file",
|
||
json={
|
||
"file_url": ocr_file_url, # Публичный URL
|
||
"file_name": filename,
|
||
"file_type": file_type # ✅ Теперь строка, не None!
|
||
}
|
||
)
|
||
|
||
if response.status_code == 200:
|
||
ocr_result = response.json()
|
||
|
||
# OCR API возвращает массив: [{text: "", pages_data: [...]}]
|
||
ocr_text = ""
|
||
|
||
if isinstance(ocr_result, list) and len(ocr_result) > 0:
|
||
data = ocr_result[0]
|
||
|
||
# Пробуем извлечь текст из pages_data
|
||
if "pages_data" in data and len(data["pages_data"]) > 0:
|
||
# Собираем текст со всех страниц
|
||
texts = []
|
||
for page in data["pages_data"]:
|
||
page_text = page.get("ocr_text", "")
|
||
if page_text:
|
||
texts.append(page_text)
|
||
ocr_text = "\n\n".join(texts)
|
||
|
||
# Если нет pages_data, пробуем text или full_text
|
||
if not ocr_text:
|
||
ocr_text = data.get("text", "") or data.get("full_text", "")
|
||
|
||
elif isinstance(ocr_result, dict):
|
||
# Старый формат (на всякий случай)
|
||
ocr_text = ocr_result.get("text", "") or ocr_result.get("full_text", "")
|
||
|
||
result["ocr_text"] = ocr_text
|
||
|
||
logger.info(f"📄 OCR completed: {len(ocr_text)} chars")
|
||
if ocr_text:
|
||
logger.info(f"OCR Text preview: {ocr_text[:200]}...")
|
||
else:
|
||
logger.warning("⚠️ OCR returned empty text!")
|
||
logger.debug(f"OCR response structure: {list(ocr_result.keys()) if isinstance(ocr_result, dict) else type(ocr_result)}")
|
||
else:
|
||
logger.error(f"❌ OCR failed: {response.status_code}")
|
||
logger.error(f"Response: {response.text[:500]}")
|
||
return result
|
||
|
||
# Шаг 2: AI анализ - что это за документ?
|
||
logger.info(f"🤖 Starting AI analysis with {self.ai_model}")
|
||
|
||
ai_analysis = await self._analyze_with_vision(ocr_text)
|
||
result["ai_analysis"] = ai_analysis
|
||
|
||
if ai_analysis:
|
||
result["document_type"] = ai_analysis.get("document_type", "unknown")
|
||
result["is_valid"] = ai_analysis.get("is_valid_policy", False)
|
||
result["confidence"] = ai_analysis.get("confidence", 0.0)
|
||
result["extracted_data"] = ai_analysis.get("extracted_data", {})
|
||
|
||
# Логируем результат
|
||
logger.info(f"✅ AI Analysis complete:")
|
||
logger.info(f" Document type: {result['document_type']}")
|
||
logger.info(f" Valid policy: {result['is_valid']}")
|
||
logger.info(f" Confidence: {result['confidence']}")
|
||
|
||
if result['document_type'] == 'garbage':
|
||
logger.warning(f"⚠️ GARBAGE DETECTED: {filename} - not a policy document!")
|
||
elif result['document_type'] == 'policy':
|
||
logger.info(f"✅ VALID POLICY: {filename}")
|
||
if result['extracted_data']:
|
||
logger.info(f" Extracted: {json.dumps(result['extracted_data'], ensure_ascii=False)}")
|
||
|
||
except Exception as e:
|
||
logger.error(f"❌ OCR/AI processing error: {e}")
|
||
|
||
return result
|
||
|
||
async def _analyze_with_vision(self, ocr_text: str) -> Optional[Dict[str, Any]]:
|
||
"""
|
||
Анализ через Gemini Vision
|
||
|
||
Проверяет:
|
||
- Это полис или нет?
|
||
- Извлекает данные полиса
|
||
"""
|
||
try:
|
||
prompt = f"""Проанализируй этот текст из OCR документа.
|
||
|
||
Текст: {ocr_text}
|
||
|
||
Задачи:
|
||
1. Определи тип документа: policy (страховой полис), passport, ticket, other, garbage (не документ)
|
||
2. Если это полис - извлеки данные:
|
||
- voucher (номер полиса вида E1000-302538524)
|
||
- holder_name (ФИО держателя)
|
||
- insured_from (дата начала)
|
||
- insured_to (дата окончания)
|
||
- destination (страна/регион)
|
||
3. Оцени confidence (0.0-1.0) насколько уверен
|
||
4. is_valid_policy: true если это реальный страховой полис
|
||
|
||
Ответь ТОЛЬКО в формате JSON:
|
||
{{
|
||
"document_type": "policy|passport|ticket|other|garbage",
|
||
"is_valid_policy": true/false,
|
||
"confidence": 0.95,
|
||
"extracted_data": {{
|
||
"voucher": "E1000-302538524",
|
||
"holder_name": "...",
|
||
"insured_from": "DD.MM.YYYY",
|
||
"insured_to": "DD.MM.YYYY",
|
||
"destination": "..."
|
||
}}
|
||
}}"""
|
||
|
||
async with httpx.AsyncClient(timeout=30.0) as client:
|
||
response = await client.post(
|
||
"https://openrouter.ai/api/v1/chat/completions",
|
||
headers={
|
||
"Authorization": f"Bearer {self.ai_api_key}",
|
||
"HTTP-Referer": settings.backend_url,
|
||
"Content-Type": "application/json"
|
||
},
|
||
json={
|
||
"model": self.ai_model,
|
||
"messages": [
|
||
{
|
||
"role": "user",
|
||
"content": prompt
|
||
}
|
||
],
|
||
"temperature": 0.1,
|
||
"max_tokens": 500
|
||
}
|
||
)
|
||
|
||
if response.status_code == 200:
|
||
ai_response = response.json()
|
||
content = ai_response["choices"][0]["message"]["content"]
|
||
|
||
# Парсим JSON из ответа
|
||
# Убираем markdown если есть
|
||
if "```json" in content:
|
||
content = content.split("```json")[1].split("```")[0]
|
||
elif "```" in content:
|
||
content = content.split("```")[1].split("```")[0]
|
||
|
||
analysis = json.loads(content.strip())
|
||
return analysis
|
||
else:
|
||
logger.error(f"❌ AI API error: {response.status_code}")
|
||
return None
|
||
|
||
except Exception as e:
|
||
logger.error(f"❌ AI analysis error: {e}")
|
||
return None
|
||
|
||
|
||
# Глобальный экземпляр
|
||
ocr_service = OCRService()
|
||
|
||
|
||
|