Upload spacy2.py

spacy2.py

@@ -0,0 +1,98 @@
+import spacy
+import shutil
+import os
+import pdfplumber
+import pytesseract
+from PIL import Image
+from pdf2image import convert_from_path
+
+# Configura il percorso di tesseract
+pytesseract.pytesseract.tesseract_cmd = r'/usr/local/bin/tesseract'
+
+# Carica il modello linguistico italiano di spaCy
+nlp = spacy.load('it_core_news_sm')
+nlp.max_length = 1500000
+
+# Mappatura delle categorie e delle relative parole chiave
+categorie_keywords = {
+    "Fatture": ["fattura", "invoice", "parcella"],
+    "Visure": ["visura"],
+    "Contratti": ["contratto", "accordo", "incarico"],
+    "Bilanci": ["bilancio", "bilanci", "bilancio di esercizio", "ricavi", "costi"],
+    "Spese di Personale": ["cedolino", "paga"],
+    "Pagamenti": ["bonifico", "transazione", "pagamento", "disposizione", "cro", "ordinante", "beneficiario"],
+    "Preventivi": ["preventivo", "offerta", "proposta"],
+    "DSAN": ["dichiarazione", "dsan", "dichiarazione sostitutiva", "dichiara"],
+    "E.C.": ["estratto conto", "movimenti"]
+}
+
+def estrai_testo_da_pdf_con_pdfplumber(file_path):
+    text = ''
+    try:
+        with pdfplumber.open(file_path) as pdf:
+            for page in pdf.pages:
+                try:
+                    page_text = page.extract_text()
+                    if page_text:
+                        text += page_text
+                except Exception as e:
+                    print(f"Errore nell'estrazione del testo dalla pagina PDF: {e}")
+    except Exception as e:
+        print(f"Errore nell'apertura o elaborazione del file PDF: {e}")
+    return text.lower()
+
+def estrai_testo_da_pdf_con_ocr(file_path):
+    text = ''
+    pages = convert_from_path(file_path)
+    for page in pages:
+        text += pytesseract.image_to_string(page, lang='ita')
+    return text.lower()
+
+def estrai_testo_da_immagine(file_path):
+    image = Image.open(file_path)
+    return pytesseract.image_to_string(image, lang='ita').lower()
+
+def assegna_categoria_con_spacy(testo):
+    doc = nlp(testo)
+    for token in doc:
+        for categoria, keywords in categorie_keywords.items():
+            if token.text.lower() in keywords:
+                return categoria
+    return None
+
+def classifica_e_sposta_documenti(cartella_origine, file_name):
+    file_path = os.path.join(cartella_origine, file_name)
+    testo = ''
+    
+    # Determina il tipo di file e estrai il testo appropriatamente
+    if file_path.endswith('.pdf'):
+        testo = estrai_testo_da_pdf_con_pdfplumber(file_path)
+        if not testo:
+            testo = estrai_testo_da_pdf_con_ocr(file_path)
+    elif file_path.lower().endswith(('.png', '.jpg', '.jpeg')):
+        testo = estrai_testo_da_immagine(file_path)
+    else:
+        print(f"Il formato del file {file_path} non è supportato.")
+        return
+    
+    # Assegna la categoria con spaCy
+    categoria = assegna_categoria_con_spacy(testo)
+    
+    if categoria:
+        destination = os.path.join(cartella_origine, categoria, file_name)
+        destination_folder = os.path.join(cartella_origine, categoria)
+        if not os.path.exists(destination_folder):
+            os.makedirs(destination_folder)
+
+        # Controlla se il file esiste già e gestiscilo come preferisci
+        if not os.path.exists(destination):
+            shutil.move(file_path, destination)
+        else:
+            print(f"Il file {destination} esiste già.")
+            # Qui puoi decidere di sovrascriverlo, rinominarlo, o ignorarlo.
+            # Ad esempio, per rinominarlo:
+            # new_destination = os.path.join(destination_folder, "new_" + file_name)
+            # shutil.move(file_path, new_destination)
+
+    else:
+        print("Nessuna categoria trovata per il documento.")