diff --git a/api/src/normalizer/ocr/amounts.py b/api/src/normalizer/ocr/amounts.py index 2158a96..ae36cab 100644 --- a/api/src/normalizer/ocr/amounts.py +++ b/api/src/normalizer/ocr/amounts.py @@ -1,14 +1,18 @@ """Суммы из OCR-ячеек (§11.1 п. 7). Перенос `_parse_amount`, `_is_blank` и регулярок старого ядра с одним отличием — порядком вычисления `verified` (решение №13 design.md, см. комментарий в `parse_amount`). -Что делает разбор: запятая → точка, пробелы долой; если есть круглые скобки — берётся содержимое первой пары, и сумма +Что делает разбор: если текст целиком (после strip, без пробелов, с учётом скобок — берётся содержимое первой пары — и +знака) имеет вид `[+-]?[1-9]\\d{0,2}(,\\d{3})+`, запятые — разделители тысяч и удаляются (`4,200` → `4200`, +`(4,200)` → `-4200`, `1,234,567` → `1234567`); это не отбрасывание символов, `verified` не страдает. Правило тысяч — +решение владельца 15.10.2026 (AURORA-1405, scan-gateway#35), см. docs/context/05-domain-rules.md §11.1 п. 7. +Затем запятая → точка, пробелы долой; если есть круглые скобки — берётся содержимое первой пары, и сумма отрицательная; всё, кроме цифр, `+`, `-` и `.`, отбрасывается; если точек больше одной, удаляются ВСЕ точки (`1.234,56` → `123456`, а не `1234.56`: последняя точка тоже теряется, такая сумма всегда `verified = False`). `verified` — разбор не отбрасывал символов (скобки в счёт не идут). Побочный эффект №13: скобки без содержимого (`()`, `( )`, `(.)`) дают `(None, verified = True)`, в источнике — `False`. -Количество знаков после запятой здесь не проверяется: `1,234` → `1.234`; ограничение `Money` (не больше двух знаков) — -в `document._value` (решение №30).""" +Количество знаков после запятой здесь не проверяется: `0,125` → `0.125`, `12,3456` → `12.3456`; +ограничение `Money` (не больше двух знаков) — в `document._value` (решение №30).""" import re from dataclasses import dataclass @@ -19,6 +23,8 @@ __all__ = ["ParsedAmount", "is_blank", "parse_amount"] _BLANK_CHARS_RE = re.compile(r"[\s\-–—]") _ALLOWED_RE = re.compile(r"[^\d+\-.]") _BRACKET_RE = re.compile(r"\(([^()]*)\)") +# запятая-разделитель тысяч (AURORA-1405, scan-gateway#35): «4,200», «-1,234,567»; проверяется на всей строке +_THOUSANDS_RE = re.compile(r"[+-]?[1-9]\d{0,2}(?:,\d{3})+") @dataclass(frozen=True) @@ -30,14 +36,20 @@ class ParsedAmount: def parse_amount(raw: str) -> ParsedAmount: """Парсит сумму из распознанного текста OCR-ячейки. - Заменяет запятую на точку, удаляет пробелы, извлекает содержимое круглых скобок + Если содержимое (без пробелов, с учётом скобок) целиком вида `[+-]?[1-9]\\d{0,2}(,\\d{3})+` — удаляет запятые + (разделители тысяч: `4,200` → 4200) без потери verified. Затем заменяет запятую на точку, удаляет пробелы, + извлекает содержимое круглых скобок (означает отрицательное число), удаляет непотребные символы; если точек больше одной — считает их разделителями тысяч и удаляет все (десятичная часть при этом не сохраняется: `1.234,56` → 123456). verified=True только если в исходной строке не пришлось отбрасывать символы (после удаления скобок). """ - s = raw.strip().replace(",", ".").replace(" ", "") + s = raw.strip().replace(" ", "") + inner = _BRACKET_RE.search(s) + if _THOUSANDS_RE.fullmatch(inner.group(1) if inner else s): + s = s.replace(",", "") + s = s.replace(",", ".") stripped_raw = s if not stripped_raw: return ParsedAmount(None, stripped_raw == raw) diff --git a/api/src/normalizer/ocr/document.py b/api/src/normalizer/ocr/document.py index 45fa8a8..1cc9cc1 100644 --- a/api/src/normalizer/ocr/document.py +++ b/api/src/normalizer/ocr/document.py @@ -142,8 +142,9 @@ def _value(cell: Cell | None, column_index: int, build: _Build) -> StatementValu amount = parsed.amount verified = parsed.verified if amount is not None and _decimal_places(amount) > MONEY_DECIMAL_PLACES: - # решение №30: `Money` контракта — не больше двух знаков; «1,234» (пробел тысяч как запятая) — артефакт OCR, - # сумма не принимается, текст остаётся в string_value, иначе ValidationError ронял бы всю таблицу + # решение №30: `Money` контракта — не больше двух знаков; «1,234» теперь = 1234 (правило тысяч в parse_amount, + # AURORA-1405), а «0,125», «12.3456» и т. п. — артефакт OCR: сумма не принимается, текст остаётся в + # string_value, иначе ValidationError ронял бы всю таблицу amount, verified = None, False # DBML: string_value — «как распознано, если не число» (решение №16): только когда сумма не разобрана string_value = text if amount is None and text and not is_blank(text) else None diff --git a/api/tests/unit/normalizer/test_amounts.py b/api/tests/unit/normalizer/test_amounts.py index 5c6474c..e277fbc 100644 --- a/api/tests/unit/normalizer/test_amounts.py +++ b/api/tests/unit/normalizer/test_amounts.py @@ -24,11 +24,22 @@ from src.normalizer.ocr.amounts import ParsedAmount, is_blank, parse_amount # несколько точек: удаляются ВСЕ точки, десятичная часть теряется (`1.234,56` — не 1234.56), всегда не verified ("1.234,56", Decimal("123456"), False), ("1,234.56", Decimal("123456"), False), - ( - "1,234", - Decimal("1.234"), - True, - ), # знаков после запятой больше двух — `Money` отсекает `document._value` (№30) + # запятая-разделитель тысяч (AURORA-1405, scan-gateway#35): удаляется до замены запятой на точку, verified=True + ("1,234", Decimal("1234"), True), + ("4,200", Decimal("4200"), True), + ("(4,200)", Decimal("-4200"), True), + ("1,234,567", Decimal("1234567"), True), + ("-4,200", Decimal("-4200"), True), + ("+4,200", Decimal("4200"), True), + ("(-4,200)", Decimal("-4200"), True), + ("4,2", Decimal("4.2"), True), + ("12,34", Decimal("12.34"), True), + ("1,23", Decimal("1.23"), True), + # не тысячи: больше двух знаков после запятой остаётся десятичным — `Money` отсекает `document._value` (№30) + ("0,125", Decimal("0.125"), True), + ("12,3456", Decimal("12.3456"), True), + ("4,200,", Decimal("4200"), False), # хвостовая запятая: правило не применяется (две точки удалены, как раньше) + ("(4,200}", Decimal("4.200"), False), # нет пары скобок: правило не применяется, минус не ставится # №13: скобки без содержимого — не сумма, но и не «неразобранный текст» ("()", None, True), ("( )", None, True), diff --git a/api/tests/unit/normalizer/test_document.py b/api/tests/unit/normalizer/test_document.py index b6df5ed..d334701 100644 --- a/api/tests/unit/normalizer/test_document.py +++ b/api/tests/unit/normalizer/test_document.py @@ -450,7 +450,7 @@ class TestKnownCodeConfidence: class TestMoneyPrecision: """Решение №30: `Money` контракта — не больше двух знаков; ячейка с большим числом знаков не валит таблицу.""" - @pytest.mark.parametrize("text", ["1,234", "0,125", "12.3456", "(1,234)"]) + @pytest.mark.parametrize("text", ["12,3456", "0,125", "12.3456", "(0,125)"]) def test_more_than_two_decimals_is_not_an_amount(self, text: str) -> None: table = _table( "Бухгалтерский баланс", @@ -467,17 +467,31 @@ class TestMoneyPrecision: table = _table( "Бухгалтерский баланс", CLEAN_BALANCE["rows"][0], - _row(1, (0, "ОС", 100), (1, "1150", 100), (2, "1,234", 100), (3, "56,78", 100)), + _row(1, (0, "ОС", 100), (1, "1150", 100), (2, "0,125", 100), (3, "56,78", 100)), _row(2, (0, "НМА", 100), (1, "1110", 100), (2, "7", 100), (3, "8,5", 100)), ) built = _build(table) first, second = built.document.lines - assert (first.values[0].amount, first.values[0].string_value) == (None, "1,234") + assert (first.values[0].amount, first.values[0].string_value) == (None, "0,125") assert (first.values[1].amount, first.values[1].is_recognized) == (Decimal("56.78"), True) assert (second.values[0].amount, second.values[0].is_recognized) == (Decimal("7"), True) assert (second.values[1].amount, second.values[1].is_recognized) == (Decimal("8.5"), True) built.document.to_wire() # контрактная модель сериализуется без ValidationError + @pytest.mark.parametrize( + ("text", "amount"), + [("4,200", Decimal("4200")), ("(4,200)", Decimal("-4200")), ("1,234,567", Decimal("1234567"))], + ) + def test_thousands_comma_gives_amount(self, text: str, amount: Decimal) -> None: + """AURORA-1405, scan-gateway#35: «4,200» в PDF — это 4200, а не 4.200 (отсекаемое №30).""" + table = _table( + "Бухгалтерский баланс", + CLEAN_BALANCE["rows"][0], + _row(1, (0, "ОС", 100), (1, "1150", 100), (2, text, 100), (3, "2", 100)), + ) + value = _build(table).document.lines[0].values[0] + assert value.amount == amount and value.is_recognized is True and value.string_value is None + @pytest.mark.parametrize("text", ["1,23", "1,2", "0", "-5", "1 234,50"]) def test_up_to_two_decimals_is_kept(self, text: str) -> None: table = _table(