v3.1.2: фильтр пустых таблиц + text strategy для pdfplumber

site/parser.py

@@ -122,12 +122,21 @@ def _parse_doc(file_bytes: bytes) -> dict:
 # ── PDF ──
 
 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.
+    """
     result = {"elements": [], "errors": []}
     try:
         import pdfplumber
         with pdfplumber.open(io.BytesIO(file_bytes)) as pdf:
             for page in pdf.pages:
                 pn = page.page_number
+
+                # ── Текст: каждая непустая строка → paragraph ──
                 text = page.extract_text()
                 if text:
                     for line in text.split("\n"):
@@ -139,19 +148,51 @@ def _parse_pdf(file_bytes: bytes) -> dict:
                                 "text": line,
                                 "page": pn,
                             })
+
+                # ── Таблицы: с рамками (lines) ──
                 tables = page.extract_tables()
+                if tables:
                     for tbl in tables:
-                    if tbl:
+                        if tbl and _table_has_content(tbl):
                             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:
+    """
+    Проверить что в таблице есть хоть одна непустая ячейка.
+    Игнорирует None и пустые строки.
+    """
+    for row in tbl:
+        if row:
+            for cell in row:
+                if cell and str(cell).strip():
+                    return True
+    return False
+
+
 # ── ZIP ──
 
 def _parse_zip(file_bytes: bytes) -> dict: