app.py

import gradio as gr
import pdfplumber
import re
from transformers import pipeline

# Model do rozpoznawania nazw organizacji i wartości numerycznych
extractor = pipeline("ner", model="dbmdz/bert-large-cased-finetuned-conll03-english", aggregation_strategy="simple")

# Reguły do identyfikacji wartości liczbowych (NIP, kwoty, daty)
nip_pattern = re.compile(r'\b\d{10}\b')  # Polski NIP: 10 cyfr
kwota_pattern = re.compile(r'\b\d+[\.,]?\d*\b')  # Kwoty: np. 123.45 lub 123
data_pattern = re.compile(r'\b\d{2}\.\d{2}\.\d{4}\b')  # Daty: np. 21.10.2024

def extract_invoice_data(pdf_file):
    with pdfplumber.open(pdf_file) as pdf:
        full_text = "\n".join(page.extract_text() for page in pdf.pages if page.extract_text())

    # Szukamy danych w tekście
    entities = extractor(full_text)
    
    seller_name = []
    seller_nip = None
    items = []
    total_amount = None
    invoice_date = None

    for entity in entities:
        if "ORG" in entity["entity_group"]:
            seller_name.append(entity["word"])  # Zbieramy nazwę sprzedawcy

    # Znajdujemy wartości numeryczne dla NIP, kwot, dat
    seller_nip = nip_pattern.search(full_text)
    total_amount = max(kwota_pattern.findall(full_text), key=float, default=None)
    invoice_date = data_pattern.search(full_text)

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

# Interfejs użytkownika w Hugging Face Spaces
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 faktury."
)

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