extractTablePDF.py

import pdfplumber
import pandas as pd
import os
import re
import tkinter as tk
from tkinter import filedialog

root = tk.Tk()
root.withdraw()  # Esconde a janela principal do tkinter

pdf_path = filedialog.askopenfilename(
    title="Selecione o arquivo PDF",
    filetypes=[("Arquivos PDF", "*.pdf"), ("Todos os arquivos", "*.*")]
)

if not pdf_path:
    print("Nenhum arquivo selecionado. Encerrando.")
    exit()

# --- SELEÇÃO DO LOCAL PARA SALVAR O EXCEL ---
excel_output_path = filedialog.asksaveasfilename(
    title="Salvar planilha Excel como",
    defaultextension=".xlsx",
    filetypes=[("Planilha Excel", "*.xlsx")]
)

if not excel_output_path:
    print("Nenhum local de salvamento selecionado. Encerrando.")
    exit()

vertical_lines = [17.1, 39.7, 62, 264, 311.9, 382.68, 411.41, 438.65, 510.24, 578.27]

table_settings = {
    "explicit_vertical_lines": vertical_lines,
    "horizontal_strategy": "text",
    "snap_x_tolerance": 5,
    "snap_y_tolerance": 5,
    "min_words_vertical": 2,
}

all_rows = []

# --- 1. EXTRAÇÃO BRUTA DE TODAS AS PÁGINAS ---
with pdfplumber.open(pdf_path) as pdf:
    for page_ind, p0 in enumerate(pdf.pages):
        top = 100.14 if page_ind == 0 else 17.57
        bottom = 824.34
        bbox = (0, top, p0.width, bottom)
        cropped = p0.crop(bbox)

        t = cropped.extract_table(table_settings)

        if not t:
            continue
        
        # Não assumimos mais que t[0] é o cabeçalho. Pegamos tudo.
        all_rows.extend(t)

# --- 2. PÓS-PROCESSAMENTO DETALHISTA COM REGEX ---
processed_rows = []
header_index = -1

for idx, row in enumerate(all_rows):
    str_row = [str(cell).strip() if cell is not None else "" for cell in row]
    str_row = [re.sub(r'\n', ' ', cell) for cell in str_row]
    
    joined_text = " ".join(filter(None, str_row))
    joined_text_no_spaces = joined_text.replace(" ", "").lower()

    # Identifica onde está o verdadeiro cabeçalho da tabela
    if "filial" in joined_text_no_spaces and "produto" in joined_text_no_spaces:
        header_index = len(processed_rows) # Salva a posição do cabeçalho
        processed_rows.append(str_row)
        continue

    # Regra A: Linha do Colaborador (Ex: "1034 - JOHN I ROCHA")
    colab_match = re.match(r"^(\d+)\s*-\s*(.+)$", joined_text)
    if colab_match:
        id_num = colab_match.group(1).strip()
        nome = colab_match.group(2).strip()
        # Coloca o ID na primeira célula e o nome na segunda. O resto fica vazio.
        new_row = [f"{id_num} -", nome] + [""] * (len(row) - 2)
        processed_rows.append(new_row)
        continue

    # Regra B: Linha "Total Produtos" (Mesmo fragmentado como "Total P roduto s")
    if "totalprodutos" in joined_text_no_spaces:
        new_row = ["Total Produtos:"]
        # Percorre as células em busca dos valores numéricos que restaram
        for cell_val in str_row[1:]:
            if re.search(r"\d", cell_val):
                new_row.append(cell_val)
            else:
                new_row.append("")
        
        # Ajusta o tamanho da linha para coincidir com as outras
        while len(new_row) < len(row): new_row.append("")
        processed_rows.append(new_row[:len(row)])
        continue

    # Regra C: Linha "Totais"
    if joined_text_no_spaces.startswith("totais"):
        new_row = ["Totais:"]
        for cell_val in str_row[1:]:
            if re.search(r"\d", cell_val):
                new_row.append(cell_val)
            else:
                new_row.append("")
                
        while len(new_row) < len(row): new_row.append("")
        processed_rows.append(new_row[:len(row)])
        continue

    # Adiciona linhas normais que não entraram em nenhuma regra
    processed_rows.append(str_row)

# --- 3. MONTAGEM DO DATAFRAME ---
if processed_rows and header_index != -1:
    # O DataFrame é criado usando a linha identificada como verdadeiro cabeçalho
    df = pd.DataFrame(processed_rows)
    df.columns = df.iloc[header_index]
    
    # Remove as linhas repetidas de cabeçalho (caso o PDF tenha múltiplas páginas)
    df = df[df[df.columns[0]] != df.columns[0]]
    
    # Limpeza rigorosa
    df = df.replace(r'^\s*$', pd.NA, regex=True)
    df = df.dropna(how='all', axis=1)
    df = df.fillna("")
    
    nome_aba = "COLABORADOR"

    # Se o arquivo Excel já existir, abre em modo de adição ('a')
    if os.path.exists(excel_output_path):
        with pd.ExcelWriter(excel_output_path, engine="openpyxl", mode="a", if_sheet_exists="replace") as writer:
            df.to_excel(writer, sheet_name=nome_aba, index=False)
        print(f"Pronto! A aba '{nome_aba}' foi salva/atualizada no arquivo existente '{excel_output_path}'.")
    else:
        # Se o arquivo não existir, cria um arquivo novo
        df.to_excel(excel_output_path, index=False, sheet_name=nome_aba)
        print(f"Pronto! O novo arquivo '{excel_output_path}' foi criado com a aba '{nome_aba}'.")
else:
    print("Nenhuma tabela válida encontrada ou cabeçalho ausente.")