dbx-main/app/modules/dispatch/pdf_parser.py

"""라벨 PDF → 주문별 받는 사람(이름/전화/주소) 추출 (pdfplumber).

xlsx 는 박스/SKU/수량/주문/송장을 담당하고, 받는 사람 개인정보는 가려져 있거나
컬럼이 없어 라벨 PDF 에서 가져온다. 추출 결과는 Order ID 로 박스와 조인한다.

- Shopee(SPX 라벨): 1주문 = 라벨 1p + 패킹리스트 1p. 라벨 페이지에
  'Recipient Details (Penerima)' 블록이 있다. 2단 레이아웃이라 왼쪽 열만 본다.
  전화는 표시되지 않는다(빈 값).
- TikTok: 1주문 = 1p. 'To <이름> (+60)<전화>' 줄 + 그 아래 주소. 전화는 일부
  마스킹될 수 있다(보이는 그대로 보존).

좌표 의존 파서라 라벨 양식이 바뀌면 조정이 필요하다(상단 상수만 손보면 됨).
"""

from __future__ import annotations

import logging
import re
from typing import Any

logger = logging.getLogger("dispatch.pdf")

# Shopee 라벨 2단 중 왼쪽 열 경계(x0 < 값). 오른쪽 열의 바코드/코드(SPXMY…,
# Seller Details, KV6-…)를 배제한다.
_SHOPEE_LEFT_MAX = 185
# 같은 줄로 묶을 top 좌표 허용 오차(px).
_LINE_TOL = 3
# 전화번호 토큰: (+60)193819581 / (+60)11******36 등.
_PHONE_RE = re.compile(r"\(\+?\d[\d()*\- ]*")


class PdfParseError(Exception):
    """PDF 파싱 실패. message 는 사용자에게 보여줄 한국어 메시지."""


def extract_recipients(path: str, platform: str) -> dict[str, dict[str, str]]:
    """라벨 PDF → {order_id: {recipient_name, recipient_phone, recipient_address}}.

    실패해도 빈 dict 를 반환할 수 있다(호출부는 PII 없이 진행). 열기 자체 실패는
    PdfParseError.
    """
    try:
        import pdfplumber  # noqa: WPS433 — 지연 import
    except ImportError as exc:  # pragma: no cover
        raise PdfParseError("pdfplumber 가 설치되어 있지 않습니다.") from exc

    try:
        pdf = pdfplumber.open(path)
    except Exception as exc:  # noqa: BLE001
        raise PdfParseError(f"PDF 를 열 수 없습니다: {type(exc).__name__}") from exc

    out: dict[str, dict[str, str]] = {}
    try:
        for page in pdf.pages:
            try:
                words = page.extract_words()
            except Exception:  # noqa: BLE001
                continue
            if not words:
                continue
            if platform == "Shopee":
                rec = _shopee_page(words)
            else:
                rec = _tiktok_page(words)
            if rec and rec.get("order_id"):
                oid = rec.pop("order_id")
                # 이미 있으면 빈 값만 보강(중복 페이지 방어).
                cur = out.setdefault(oid, {"recipient_name": "", "recipient_phone": "", "recipient_address": ""})
                for k, v in rec.items():
                    if v and not cur.get(k):
                        cur[k] = v
    finally:
        pdf.close()
    return out


# ────────────────────────────────────────────────────────────
# 줄 단위 헬퍼
# ────────────────────────────────────────────────────────────
def _lines(words: list[dict[str, Any]], *, x_max: float | None = None) -> list[tuple[float, list[dict[str, Any]]]]:
    """단어들을 top 좌표로 묶어 줄 리스트로. 각 줄: (top, [word,...]) x0 오름차순."""
    ws = [w for w in words if x_max is None or w["x0"] < x_max]
    ws.sort(key=lambda w: (round(w["top"]), w["x0"]))
    lines: list[tuple[float, list[dict[str, Any]]]] = []
    for w in ws:
        if lines and abs(w["top"] - lines[-1][0]) <= _LINE_TOL:
            lines[-1][1].append(w)
        else:
            lines.append((w["top"], [w]))
    return lines


def _text(line_words: list[dict[str, Any]]) -> str:
    return " ".join(w["text"] for w in sorted(line_words, key=lambda w: w["x0"])).strip()


# ────────────────────────────────────────────────────────────
# Shopee 라벨 페이지
# ────────────────────────────────────────────────────────────
def _shopee_page(words: list[dict[str, Any]]) -> dict[str, str] | None:
    lines = _lines(words, x_max=_SHOPEE_LEFT_MAX)
    texts = [_text(lw) for _, lw in lines]
    joined = " ".join(texts)
    if "Recipient Details" not in joined and "Penerima" not in joined:
        return None  # 라벨 페이지 아님(패킹리스트 등)

    order_id = ""
    rec_idx = None
    for i, t in enumerate(texts):
        if not order_id:
            m = re.search(r"Order\s*ID\s*:\s*([A-Za-z0-9]+)", t)
            if m:
                order_id = m.group(1)
        if rec_idx is None and ("Recipient Details" in t or "Penerima" in t):
            rec_idx = i

    if rec_idx is None:
        return None

    name = ""
    addr_parts: list[str] = []
    postcode = ""
    collecting = False
    for t in texts[rec_idx + 1:]:
        if t.startswith("Name:"):
            name = t[len("Name:"):].strip()
            continue
        if t.startswith("Address:"):
            collecting = True
            addr_parts.append(t[len("Address:"):].strip())
            continue
        if t.startswith("Postcode:"):
            postcode = t[len("Postcode:"):].strip()
            break  # 받는 사람 우편번호에서 주소 끝
        if collecting:
            # 프로모/푸터 시작 전까지 주소 줄로 본다.
            if t.startswith(("Select", "Scan", "Seller Details")):
                break
            addr_parts.append(t)

    address = ", ".join(p for p in addr_parts if p)
    if postcode and postcode not in address:
        address = f"{address}, {postcode}" if address else postcode
    address = _tidy(address)
    return {"order_id": order_id, "recipient_name": name, "recipient_phone": "", "recipient_address": address}


# ────────────────────────────────────────────────────────────
# TikTok 라벨 페이지
# ────────────────────────────────────────────────────────────
# 주소 수집을 멈추는 키워드(섹션 경계). TikTok 라벨은 배송사마다 양식이 달라
# 넉넉히 둔다.
_TIKTOK_STOP = ("CASHLESS", "CASH ON", "COD", "Order ID", "Shipping Date",
                "Product Name", "Estimated", "In transit", "DROP-OFF", "PICK-UP",
                "Self Collect", "Order Created", "Return for", "Scan me", "Sender")
# 받는 사람 앵커: 'To <이름> (+60)…'(Ninja) 또는 'Receiver <이름>'(NDD 등).
_TIKTOK_ANCHOR = re.compile(r"^(To|Receiver)\b\s*(.*)$")


def _tiktok_page(words: list[dict[str, Any]]) -> dict[str, str] | None:
    lines = _lines(words)
    texts = [_text(lw) for _, lw in lines]

    order_id = ""
    for t in texts:
        m = re.search(r"Order\s*ID\s*:\s*(\d+)", t)
        if m:
            order_id = m.group(1)
            break
    if not order_id:
        return None

    anchor_idx = None
    for i, t in enumerate(texts):
        m = _TIKTOK_ANCHOR.match(t)
        if m and (m.group(1) == "Receiver" or _PHONE_RE.search(t)):
            anchor_idx = i
            break
    if anchor_idx is None:
        return {"order_id": order_id, "recipient_name": "", "recipient_phone": "", "recipient_address": ""}

    rest = _TIKTOK_ANCHOR.match(texts[anchor_idx]).group(2).strip()
    phone = ""
    name = rest
    pm = _PHONE_RE.search(rest)
    if pm:  # 'To <이름> (+60)<전화>' 형식
        phone = rest[pm.start():].strip()
        name = rest[:pm.start()].strip()

    addr_parts: list[str] = []
    for t in texts[anchor_idx + 1:]:
        if any(k in t for k in _TIKTOK_STOP):
            break
        if t.strip():
            addr_parts.append(t.strip())

    # 일부 배송사 라벨은 바코드/송장 숫자가 주소 영역에 섞인다. 10자리 이상
    # 숫자열은 주소가 아니라 바코드이므로 제거(우편번호 5자리는 보존).
    address = re.sub(r"\b\d{10,}\b", "", ", ".join(addr_parts))
    address = _tidy(address)
    return {"order_id": order_id, "recipient_name": name, "recipient_phone": phone, "recipient_address": address}


def _tidy(s: str) -> str:
    """중복 공백/콤마 정리."""
    s = re.sub(r"\s+", " ", s)
    s = re.sub(r"\s*,\s*", ", ", s)
    s = re.sub(r"(,\s*){2,}", ", ", s)
    return s.strip().strip(",").strip()