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("
") # Добавляем расстояние перед таблицей with gr.Row(): gr.Markdown("

ДЕТАЛИЗИРОВАННЫЙ БЮДЖЕТ

", 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("
") # Добавляем расстояние между таблицами # Вторая таблица с заголовком и описанием with gr.Row(): gr.Markdown("

ПРОЦЕНТНОЕ РАСПРЕДЕЛЕНИЕ ЛОКАЛЬНЫХ СМЕТ

", 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("

СТРУКТУРА РАСХОДОВ ПО КАТЕГОРИЯМ

", elem_id="title3") with gr.Row(): gr.Markdown("
") # 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)