dadosdog.py

import os
import re
import cv2
import fitz  # PyMuPDF
import pandas as pd
import pytesseract
import numpy as np
from pathlib import Path

# Configurar o caminho para o executável do Tesseract
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

def extrair_info_pdf(pdf_path):
    """Extrai informações de notas fiscais em PDF."""
    try:
        # Abrir o PDF com PyMuPDF
        doc = fitz.open(pdf_path)
        dados = []
        
        for page_num in range(len(doc)):
            # Obter a página
            page = doc.load_page(page_num)
            
            # Renderizar a página como uma imagem
            pix = page.get_pixmap(matrix=fitz.Matrix(300/72, 300/72))
            
            # Converter para formato de imagem compatível com OpenCV
            # Método atualizado para compatibilidade com versões mais recentes
            img_bytes = pix.tobytes("png")
            nparr = np.frombuffer(img_bytes, np.uint8)
            img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
            
            # Converter para escala de cinza
            img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
            
            # Aplicar threshold para melhorar o contraste
            _, img_threshold = cv2.threshold(img_gray, 150, 255, cv2.THRESH_BINARY)
            
            # Extrair texto com OCR
            texto = pytesseract.image_to_string(img_threshold, lang='por')
            
            # Extrair informações usando regex
            numero_nf = extrair_numero_nf(texto)
            data_emissao = extrair_data_emissao(texto)
            valor_total = extrair_valor_total(texto)
            cnpj_emitente = extrair_cnpj(texto)
            razao_social = extrair_razao_social(texto)
            
            # Adicionar à lista de dados
            dados.append({
                'Número NF': numero_nf,
                'Data Emissão': data_emissao,
                'Valor Total': valor_total,
                'CNPJ Emitente': cnpj_emitente,
                'Razão Social': razao_social,
                'Arquivo': os.path.basename(pdf_path),
                'Página': page_num + 1
            })
        
        doc.close()
        return dados
    except Exception as e:
        print(f"Erro ao processar {pdf_path}: {str(e)}")
        return []

def extrair_numero_nf(texto):
    """Extrai o número da nota fiscal do texto."""
    padrao = r'N[º°]\s*(?:da\s*)?(?:NF[-:]?(?:e)?|Nota\s*Fiscal[-:]?|NF[-:]?e)\s*([0-9]{1,9})'
    match = re.search(padrao, texto, re.IGNORECASE)
    if match:
        return match.group(1)
    
    # Método alternativo
    padrao_alt = r'Nota Fiscal Eletrônica\s*-\s*NF-e\s*([0-9]{1,9})'
    match = re.search(padrao_alt, texto, re.IGNORECASE)
    return match.group(1) if match else "Não encontrado"

def extrair_data_emissao(texto):
    """Extrai a data de emissão da nota fiscal."""
    padrao = r'(?:Data\s*(?:de)?\s*Emiss[ãa]o|Emiss[ãa]o)\s*:?\s*([0-9]{1,2}/[0-9]{1,2}/[0-9]{2,4})'
    match = re.search(padrao, texto, re.IGNORECASE)
    return match.group(1) if match else "Não encontrado"

def extrair_valor_total(texto):
    """Extrai o valor total da nota fiscal."""
    padrao = r'(?:Valor\s*Total\s*(?:da\s*)?(?:Nota|NF)|Total\s*(?:da\s*)?(?:Nota|NF))\s*:?\s*R\$?\s*([0-9]{1,3}(?:\.[0-9]{3})*(?:,[0-9]{2})?)'
    match = re.search(padrao, texto, re.IGNORECASE)
    return match.group(1) if match else "Não encontrado"

def extrair_cnpj(texto):
    """Extrai o CNPJ do emitente da nota fiscal."""
    padrao = r'CNPJ\s*:?\s*([0-9]{2}\.[0-9]{3}\.[0-9]{3}/[0-9]{4}-[0-9]{2})'
    match = re.search(padrao, texto, re.IGNORECASE)
    return match.group(1) if match else "Não encontrado"

def extrair_razao_social(texto):
    """Extrai a razão social do emitente da nota fiscal."""
    padrao = r'(?:Raz[ãa]o\s*Social|Nome/Raz[ãa]o\s*Social|Emitente)\s*:?\s*([^\n\r]*?)\s*(?:CNPJ|$)'
    match = re.search(padrao, texto, re.IGNORECASE)
    return match.group(1).strip() if match else "Não encontrado"

def main():
    # Verificar se o diretório existe
    diretorio_pdf = r"Z:\B10_MAT-CONST-CONSULT\A02_REFERENCIAS\02_GOINFRA\07_NOTAS FISCAIS-VISITA-GOINFRA\PDF 123 pag"
    
    if not os.path.exists(diretorio_pdf):
        print(f"O diretório {diretorio_pdf} não existe. Por favor, verifique o caminho.")
        return
    
    # Obter todos os arquivos PDF no diretório
    arquivos_pdf = [os.path.join(diretorio_pdf, arquivo) for arquivo in os.listdir(diretorio_pdf) 
                   if arquivo.lower().endswith('.pdf')]
    
    if not arquivos_pdf:
        print(f"Nenhum arquivo PDF encontrado em {diretorio_pdf}")
        return
    
    # Extrair informações de cada PDF
    todos_dados = []
    for pdf_path in arquivos_pdf:
        print(f"Processando {os.path.basename(pdf_path)}...")
        dados_pdf = extrair_info_pdf(pdf_path)
        todos_dados.extend(dados_pdf)
    
    # Criar DataFrame e exportar para Excel
    if todos_dados:
        df = pd.DataFrame(todos_dados)
        caminho_excel = os.path.join(os.path.dirname(diretorio_pdf), "dados_notas_fiscais.xlsx")
        df.to_excel(caminho_excel, index=False)
        print(f"Dados exportados com sucesso para {caminho_excel}")
    else:
        print("Nenhum dado foi extraído dos PDFs.")

if __name__ == "__main__":
    main()