app.py

import gradio as gr
import pdfplumber
import re
import pandas as pd
import matplotlib.pyplot as plt
from io import BytesIO
import tempfile
import os
from PIL import Image

# Функция для обработки PDF и извлечения данных
def process_pdf(file):
    data_list = []

    try:
        # Открываем PDF-файл с помощью pdfplumber
        with pdfplumber.open(file) as pdf:
            text = ''
            for page_num, page in enumerate(pdf.pages, start=1):
                page_text = page.extract_text()
                if page_text:
                    text += page_text + '\n'

        # Функция для извлечения значений по ключевым словам
        def extract_value(label, text):
            pattern = rf'{label}\s*тенге\s*([\d\s,]+)'  # Поиск ключевого слова и числового значения
            match = re.search(pattern, text, flags=re.IGNORECASE)
            if match:
                value = match.group(1)
                value = re.sub(r'[^\d]', '', value)  # Убираем все, кроме цифр
                return int(value) if value else 0
            return 0

        # Функция для извлечения значения "ВСЕГО ПО СМЕТЕ"
        def extract_total_value(label, text):
            pattern = rf'{label}:\s*([\d\s]+)'  # Учёт двоеточия после "ВСЕГО ПО СМЕТЕ"
            match = re.search(pattern, text, flags=re.IGNORECASE)
            if match:
                value = match.group(1)
                value = re.sub(r'[^\d]', '', value)  # Убираем все символы, кроме цифр
                return int(value) if value else 0

        # Разбиваем текст на части по ключевому слову "ЛОКАЛЬНАЯ СМЕТА №"
        estimates = re.split(r'ЛОКАЛЬНАЯ СМЕТА №', text, flags=re.IGNORECASE)[1:]

        for idx, estimate_text in enumerate(estimates, start=1):
            # Обрезаем текст до появления слова "Раздел"
            estimate_text_clean = re.split(r'Раздел', estimate_text, flags=re.IGNORECASE)[0]

            # Извлекаем номер сметы
            number_match = re.match(r'(\S+)', estimate_text_clean.strip())
            estimate_number = number_match.group(1) if number_match else ''

            # Извлекаем наименование сметы после "на"
            name_match = re.search(r'на\s+(.+?)(?:\n|$)', estimate_text_clean, flags=re.IGNORECASE)
            estimate_name = name_match.group(1).strip() if name_match else ''

            # Извлекаем затраты в указанном порядке
            labor_cost = extract_value('Затраты на труд рабочих', estimate_text_clean)
            machine_cost = extract_value('Машины и механизмы', estimate_text_clean)
            material_cost = extract_value('Материалы, изделия и конструкции', estimate_text_clean)
            transport_cost = extract_value('Перевозки', estimate_text_clean)
            equipment_cost = extract_value('Оборудование', estimate_text_clean)
            total_cost = extract_total_value('ВСЕГО ПО СМЕТЕ', estimate_text_clean)

            # Сохраняем данные в список с обновленными названиями столбцов
            data_list.append({
                '№ локальной сметы': estimate_number,
                'Наименование': estimate_name,
                'Рабочие': labor_cost,
                'Техника': machine_cost,
                'Материалы': material_cost,
                'Перевозки': transport_cost,
                'Оборудование': equipment_cost,
                'ВСЕГО ПО СМЕТЕ': total_cost
            })

    except Exception as e:
        print(f"Ошибка при обработке PDF-файла: {e}")
        return pd.DataFrame(), pd.DataFrame(), None, None, None  # Возвращаем два пустых DataFrame и None для диаграммы и файлов Excel в случае ошибки

    # Преобразуем список данных в DataFrame
    df = pd.DataFrame(data_list)
    
    # Убираем лишние пробелы и символы из названий столбцов
    df.columns = df.columns.str.strip()

    # Рассчитываем общую сумму по всем сметам для каждой категории
    total_row = pd.DataFrame({
        '№ локальной сметы': ['Итого'],
        'Наименование': [''],
        'Рабочие': [df['Рабочие'].sum()],
        'Техника': [df['Техника'].sum()],
        'Материалы': [df['Материалы'].sum()],
        'Перевозки': [df['Перевозки'].sum()],
        'Оборудование': [df['Оборудование'].sum()],
        'ВСЕГО ПО СМЕТЕ': [df['ВСЕГО ПО СМЕТЕ'].sum()]
    })

    # Добавляем строку "Итого" в конец таблицы
    df = pd.concat([df, total_row], ignore_index=True)

    # Создаём таблицу с процентным соотношением, округленным до двух знаков после запятой
    total_sum = df['ВСЕГО ПО СМЕТЕ'].iloc[:-1].sum()  # исключаем строку "Итого"
    df_percentage = df[['№ локальной сметы', 'Наименование']].copy()
    df_percentage['Процент от общей суммы'] = ((df['ВСЕГО ПО СМЕТЕ'].iloc[:-1] / total_sum) * 100).round(2)

    # Создание круговой диаграммы
    category_sums = {
        'Категория': ['Рабочие', 'Техника', 'Материалы', 'Перевозки', 'Оборудование'],
        'Сумма': [
            df['Рабочие'].iloc[:-1].sum(),
            df['Техника'].iloc[:-1].sum(),
            df['Материалы'].iloc[:-1].sum(),
            df['Перевозки'].iloc[:-1].sum(),
            df['Оборудование'].iloc[:-1].sum()
        ]
    }

    df_category_percentage = pd.DataFrame(category_sums)
    df_category_percentage['Процент от общей суммы'] = ((df_category_percentage['Сумма'] / total_sum) * 100).round(2)

    # Создание словаря сопоставления категорий и цветов
    color_map = {
        'Рабочие': '#DCEDFC',
        'Техника': '#94B4D4',
        'Материалы': '#3C47D6',
        'Перевозки': '#94B4D4',
        'Оборудование': '#0E86D4'
    }

    # Фильтрация категорий с процентом >=1%
    filtered_df = df_category_percentage[df_category_percentage['Процент от общей суммы'] >= 1].reset_index(drop=True)

    # Генерация списка цветов в соответствии с порядком категорий
    colors = [color_map.get(category, '#FFFFFF') for category in filtered_df['Категория']]

    # Отладочная информация (можно удалить после проверки)
    print("Категории:", filtered_df['Категория'].tolist())
    print("Цвета:", colors)

    # Сохраняем диаграмму в BytesIO с добавлением пустого пространства
    fig, ax = plt.subplots(figsize=(7, 7))  # Увеличенный размер фигуры
    ax.pie(
        filtered_df['Сумма'],
        labels=filtered_df['Категория'],
        autopct='%1.2f%%',
        startangle=90,
        colors=colors,  # Используем пользовательские цвета
        labeldistance=1.1,  # Расстояние до надписей
        pctdistance=0.8  # Расстояние до процентных надписей
    )
    plt.title('')
    plt.axis('equal')  # Круговая диаграмма круглая по форме
    plt.tight_layout()  # Оптимизация расположения элементов

    pie_chart = BytesIO()
    plt.savefig(pie_chart, format='png', bbox_inches='tight')  # bbox_inches='tight' для оптимизации
    plt.close(fig)
    pie_chart.seek(0)

    # Форматирование чисел с пробелами в качестве разделителей тысяч
    def format_number(x):
        return f"{x:,}".replace(",", " ")

    df_formatted = df.copy()
    for col in ['Рабочие', 'Техника', 'Материалы', 'Перевозки', 'Оборудование', 'ВСЕГО ПО СМЕТЕ']:
        df_formatted[col] = df_formatted[col].apply(format_number)

    df_percentage_formatted = df_percentage.copy()
    df_percentage_formatted['Процент от общей суммы'] = df_percentage_formatted['Процент от общей суммы'].astype(str) + '%'

    # Создаём временные Excel-файлы
    temp_dir = tempfile.mkdtemp()
    detailed_report_path = os.path.join(temp_dir, "detailed_report.xlsx")
    percentage_report_path = os.path.join(temp_dir, "percentage_report.xlsx")

    df.to_excel(detailed_report_path, index=False)
    df_percentage.to_excel(percentage_report_path, index=False)

    # Возвращаем форматированные DataFrame и диаграмму
    return df_formatted, df_percentage_formatted, pie_chart, detailed_report_path, percentage_report_path

# CSS для блокировки копирования текста
custom_css = """
* {
  -webkit-user-select: none; /* Safari */
  -moz-user-select: none;    /* Firefox */
  -ms-user-select: none;     /* Internet Explorer/Edge */
  user-select: none;         /* Standard */
}
"""

# Создаем интерфейс Gradio с блоками и адаптивным дизайном
with gr.Blocks(css=custom_css) as demo:
    # Основной заголовок и подзаголовок
    with gr.Row():
        gr.Markdown("### **AIGineer | ИИ УПРАВЛЕНИЕ СТРОИТЕЛЬСТВОМ**", elem_id="header")
        gr.Markdown("**На текущий момент система считает сметы в ценах от 2023**", elem_id="subheader")

    # Загрузка файла (текст выравнивается по центру)
    with gr.Row():
        upload_button = gr.File(label="ЗАГРУЗИТЕ СМЕТУ В PDF", elem_id="upload")

    # Первая таблица с заголовком и описанием
    with gr.Row():
        gr.Markdown("<br>")  # Добавляем расстояние перед таблицей
    with gr.Row():
        gr.Markdown("<h3 style='text-align: center;'>ДЕТАЛИЗИРОВАННЫЙ БЮДЖЕТ</h3>", elem_id="title1")
    with gr.Row():
        gr.Markdown("Отчет дает полное представление о том, как распределяются средства по каждому разделу сметной документации. Он разбивает затраты на ключевые категории — оплата труда, техника, материалы, логистика и оборудование. Это позволяет держать под контролем каждую статью расходов и моментально видеть, где происходят основные затраты.", elem_id="desc1")
    with gr.Row():
        output_table_1 = gr.Dataframe(headers=["№ локальной сметы", "Наименование", "Рабочие", "Техника", "Материалы", "Перевозки", "Оборудование", "ВСЕГО ПО СМЕТЕ"], elem_id="table1")

    # Расстояние между таблицами
    with gr.Row():
        gr.Markdown("<br>")  # Добавляем расстояние между таблицами

    # Вторая таблица с заголовком и описанием
    with gr.Row():
        gr.Markdown("<h3 style='text-align: center;'>ПРОЦЕНТНОЕ РАСПРЕДЕЛЕНИЕ ЛОКАЛЬНЫХ СМЕТ</h3>", elem_id="title2")
    with gr.Row():
        gr.Markdown("Важный инструмент для стратегического планирования, который помогает легко сравнивать между собой разделы проекта, понимая, какие из них требуют большего финансирования, а какие — меньшего. Это позволяет эффективно распределять ресурсы и достигать максимальной отдачи.", elem_id="desc2")
    with gr.Row():
        output_table_2 = gr.Dataframe(headers=["№ локальной сметы", "Наименование", "Процент от общей суммы"], elem_id="table2")

    # Третья таблица с диаграммой
    with gr.Row():
        gr.Markdown("<h3 style='text-align: center;'>СТРУКТУРА РАСХОДОВ ПО КАТЕГОРИЯМ</h3>", elem_id="title3")
    with gr.Row():
        gr.Markdown("<br>")  # Добавляем пустое пространство после заголовка
    with gr.Row():
        output_plot = gr.Image(type="pil", elem_id="plot")

    # Кнопки для скачивания Excel-файлов
    with gr.Row():
        download_excel_1 = gr.File(label="Скачать детализированный отчет")
        download_excel_2 = gr.File(label="Скачать процентное соотношение")

    def update_download_buttons(file):
        df_formatted, df_percentage_formatted, pie_chart, detailed_report_path, percentage_report_path = process_pdf(file)
        return df_formatted, df_percentage_formatted, Image.open(pie_chart), detailed_report_path, percentage_report_path

    upload_button.change(
        update_download_buttons,
        inputs=upload_button,
        outputs=[output_table_1, output_table_2, output_plot, download_excel_1, download_excel_2]
    )

# Запуск приложения
demo.launch(share=True)