v3.1.3: pdfplumber — только рамки, фильтр 30% заполнения

site/parser.py

@@ -125,9 +125,10 @@ def _parse_pdf(file_bytes: bytes) -> dict:
     """
     Извлечь текст и таблицы из PDF через pdfplumber.
 
-    Таблицы: пробуем два режима — с рамками (lines) и без (text).
-    Отбрасываем полностью пустые таблицы.
-    Текст: извлекаем построчно, сохраняем номера страниц.
+    Таблицы: только с видимыми рамками (lines). Безрамковые (text)
+    дают слишком много ложных срабатываний — не используем.
+    Отбрасываем таблицы где >50% ячеек пусты или где все ячейки
+    содержат фрагменты одной строки текста.
     """
     result = {"elements": [], "errors": []}
     try:
@@ -149,48 +150,56 @@ def _parse_pdf(file_bytes: bytes) -> dict:
                                 "page": pn,
                             })
 
-                # ── Таблицы: с рамками (lines) ──
+                # ── Таблицы: только с рамками ──
                 tables = page.extract_tables()
                 if tables:
                     for tbl in tables:
-                        if tbl and _table_has_content(tbl):
+                        if tbl and _table_has_content(tbl, min_fill_ratio=0.3):
                             result["elements"].append({
                                 "type": "table",
                                 "rows": tbl,
                                 "page": pn,
                             })
 
-                # ── Таблицы: без рамок (text) — если lines ничего не дал ──
-                if not tables:
-                    tbl_text = page.extract_tables({
-                        "vertical_strategy": "text",
-                        "horizontal_strategy": "text",
-                    })
-                    if tbl_text:
-                        for tbl in tbl_text:
-                            if tbl and _table_has_content(tbl):
-                                result["elements"].append({
-                                    "type": "table",
-                                    "rows": tbl,
-                                    "page": pn,
-                                })
-
     except Exception as e:
         result["errors"].append(f"pdfplumber: {e}")
     return result
 
 
-def _table_has_content(tbl: list) -> bool:
+def _table_has_content(tbl: list, min_fill_ratio: float = 0.0) -> bool:
     """
-    Проверить что в таблице есть хоть одна непустая ячейка.
-    Игнорирует None и пустые строки.
+    Проверить что таблица содержит осмысленные данные.
+
+    Фильтры:
+      - Хотя бы одна непустая ячейка
+      - Не менее min_fill_ratio ячеек заполнены (по умолчанию 0 — без фильтра)
     """
+    if not tbl or not tbl[0]:
+        return False
+
+    total = 0
+    filled = 0
+    all_text = ""
+
     for row in tbl:
-        if row:
-            for cell in row:
-                if cell and str(cell).strip():
-                    return True
-    return False
+        if not row:
+            continue
+        for cell in row:
+            total += 1
+            cell_str = str(cell).strip() if cell else ""
+            if cell_str:
+                filled += 1
+                all_text += " " + cell_str
+
+    if filled == 0:
+        return False
+
+    # Фильтр по доле заполненных ячеек
+    if min_fill_ratio > 0 and total > 0:
+        if filled / total < min_fill_ratio:
+            return False
+
+    return True
 
 
 # ── ZIP ──