From 9dd568ce443334df63666eb868fad7b782e86109 Mon Sep 17 00:00:00 2001 From: Andrey Epifancev Date: Thu, 15 Oct 2026 16:59:32 +0400 Subject: [PATCH] =?UTF-8?q?fix(normalizer):=20=D0=BF=D1=80=D0=B0=D0=B2?= =?UTF-8?q?=D0=B8=D0=BB=D0=BE=20=D1=82=D1=8B=D1=81=D1=8F=D1=87=20=D1=82?= =?UTF-8?q?=D0=BE=D0=BB=D1=8C=D0=BA=D0=BE=20=D0=BF=D1=80=D0=B8=20=D1=81?= =?UTF-8?q?=D0=BA=D0=BE=D0=B1=D0=BA=D0=B0=D1=85=20=D0=BD=D0=B0=20=D0=B2?= =?UTF-8?q?=D1=81=D1=8E=20=D1=81=D1=82=D1=80=D0=BE=D0=BA=D1=83,=20=D1=81?= =?UTF-8?q?=D0=BF=D0=B5=D0=BA=D0=B0=20=D0=B8=20README=20(AURORA-1405,=20#3?= =?UTF-8?q?5)?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit I-1: «(4,200) руб», «1,234(5,678)» и т. п. разбираются как прежде; I-2/I-3: спека и README; M-1..M-3: docstring, комментарий регулярки, тесты крайних случаев. Co-Authored-By: Claude Opus 5.5 --- README.md | 2 +- api/src/normalizer/ocr/amounts.py | 21 ++++++++++--------- api/tests/unit/normalizer/test_amounts.py | 10 +++++++++ .../specs/image-recognition-gateway/spec.md | 4 ++-- 4 files changed, 24 insertions(+), 13 deletions(-) diff --git a/README.md b/README.md index 9e9ff3d..3988913 100644 --- a/README.md +++ b/README.md @@ -169,7 +169,7 @@ ack (с `attempt` повторного запроса); файл в ИС вто `string_value` — текст ячейки, только когда сумма не разобрана; `is_recognized = confidence == 100 и разбор не отбрасывал символов`. - **`Money` (решение №30).** Контракт допускает не больше двух знаков после запятой. Сумма с тремя и более знаками - (`1,234`, `0,125`: пробел тысяч, распознанный как запятая) не принимается: `amount = null`, `string_value` — текст + (`0,125`, `12,3456`; запятая-разделитель тысяч `4,200`/`1,234` — это 4200/1234, AURORA-1405, #35) не принимается: `amount = null`, `string_value` — текст ячейки, `is_recognized = false` (таблица получает `needs_check`, остальные ячейки и документ целы). Сумма вида `1.234,56` (несколько точек) разбирается как `123456` — все точки считаются разделителями тысяч (дословный перенос) — с `is_recognized = false`. diff --git a/api/src/normalizer/ocr/amounts.py b/api/src/normalizer/ocr/amounts.py index ae36cab..55d1ab5 100644 --- a/api/src/normalizer/ocr/amounts.py +++ b/api/src/normalizer/ocr/amounts.py @@ -1,11 +1,11 @@ """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: 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 +Что делает разбор: пробелы долой; если текст целиком (а при скобках на всю строку — их содержимое) 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; +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 @@ -23,7 +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 +# запятая-разделитель тысяч (AURORA-1405, scan-gateway#35): «4,200», «-1,234,567»; только если строка целиком +# (или содержимое пары скобок, занимающей всю строку) совпала; «(4,200) руб», «1,234(5,678)» — прежний разбор _THOUSANDS_RE = re.compile(r"[+-]?[1-9]\d{0,2}(?:,\d{3})+") @@ -36,9 +37,9 @@ class ParsedAmount: def parse_amount(raw: str) -> ParsedAmount: """Парсит сумму из распознанного текста OCR-ячейки. - 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 + Убирает пробелы; если строка целиком (или пара скобок на всю строку — её содержимое) вида + `[+-]?[1-9]\\d{0,2}(,\\d{3})+` — удаляет запятые (разделители тысяч: `4,200` → 4200) без потери verified. + Затем заменяет запятую на точку, 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). @@ -47,7 +48,7 @@ def parse_amount(raw: str) -> ParsedAmount: """ s = raw.strip().replace(" ", "") inner = _BRACKET_RE.search(s) - if _THOUSANDS_RE.fullmatch(inner.group(1) if inner else s): + if _THOUSANDS_RE.fullmatch(inner.group(1) if inner and inner.group(0) == s else s): s = s.replace(",", "") s = s.replace(",", ".") stripped_raw = s diff --git a/api/tests/unit/normalizer/test_amounts.py b/api/tests/unit/normalizer/test_amounts.py index e277fbc..a41cb50 100644 --- a/api/tests/unit/normalizer/test_amounts.py +++ b/api/tests/unit/normalizer/test_amounts.py @@ -40,6 +40,16 @@ from src.normalizer.ocr.amounts import ParsedAmount, is_blank, parse_amount ("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 + # скобки не на всю строку — правило тысяч не применяется, прежний разбор (запятая → точка) + ("(4,200) руб", Decimal("-4.200"), False), + ("abc(4,200)", Decimal("-4.200"), False), + ("(4,200)x", Decimal("-4.200"), False), + ("(4,200)(1,000)", Decimal("-4.200"), False), + ("1,234(5,678)", Decimal("-5.678"), False), + ("((4,200))", Decimal("-4.200"), True), + ("01,234", Decimal("1.234"), True), # ведущий ноль — не тысячи + ("4,2000", Decimal("4.2000"), True), + ("1, 234", Decimal("1234"), True), # пробелы убираются первыми # №13: скобки без содержимого — не сумма, но и не «неразобранный текст» ("()", None, True), ("( )", None, True), diff --git a/openspec/specs/image-recognition-gateway/spec.md b/openspec/specs/image-recognition-gateway/spec.md index 6307ce5..e564e90 100644 --- a/openspec/specs/image-recognition-gateway/spec.md +++ b/openspec/specs/image-recognition-gateway/spec.md @@ -238,8 +238,8 @@ SHALL отражать состояние. имени, иначе `confidence` ячейки наименования. - `values` — по одному на колонку документа (по позиции; если раскладка строки после повторной шапки даёт иное число колонок — недостающие значения как «ячейки нет», лишние отбрасываются, одно предупреждение на таблицу «повторная шапка изменила - число колонок значений», решение №21; таблица без колонок значений — предупреждение «нет колонок значений», №25): `amount` — `parse_amount` (запятая → точка, скобки → минус, пробелы и прочие символы - отбрасываются, несколько точек — разделители тысяч; прочерк/пусто → `null`; сумма с более чем двумя знаками после запятой (`1,234`) не помещается в `Money` контракта — `amount = null`, + число колонок значений», решение №21; таблица без колонок значений — предупреждение «нет колонок значений», №25): `amount` — `parse_amount` (запятая-разделитель тысяч (`4,200`, `1,234` → 4200, 1234; AURORA-1405, #35) удаляется, запятая → точка, скобки → минус, пробелы и прочие символы + отбрасываются, несколько точек — разделители тысяч; прочерк/пусто → `null`; сумма с более чем двумя знаками после запятой (`0,125`) не помещается в `Money` контракта — `amount = null`, `string_value` — текст ячейки, `is_recognized = false`, решение №30); `string_value` — текст ячейки как распознан (`\n`/`\t` → пробел, края обрезаны) **только если `amount = null`** и текст не прочерк (DBML: «как распознано, если не число»), иначе `null`; `confidence` — ячейки (значения вне 0–100 и NaN приводятся к диапазону, №30); `is_recognized = confidence == 100 и разбор не отбрасывал символов`;