cargando primer proyecto a gitea

pdf_utilities.py

@@ -0,0 +1,83 @@
+import pdfplumber
+import re
+import os
+
+########################################################
+def extraer_texto_pdf(ruta_pdf):
+    """Extrae todo el texto de un PDF usando pdfplumber."""
+    texto_completo = ""
+    try:
+        with pdfplumber.open(ruta_pdf) as pdf:
+            for page in pdf.pages:
+                texto_completo += page.extract_text() + "\n"
+        return texto_completo
+    except Exception as e:
+        print(f"      ⚠️ Error leyendo PDF {ruta_pdf}: {e}")
+        return ""
+
+########################################################
+def extraer_ruc(texto):
+    """Busca un RUC (11 dígitos, empieza con 10 o 20) en el texto."""
+    # Intentamos buscar patrones de RUC: RUC 2060... o R.U.C. 2060...
+    patrones = [
+        r'R\.?U\.?C\.?\s*[:\-\s]\s*((?:10|20)\d{9})', # R.U.C: 20...
+        r'\b((?:10|20)\d{9})\b'                      # 11 dígitos sueltos que empiecen con 10 o 20
+    ]
+    
+    for patron in patrones:
+        match = re.search(patron, texto, re.IGNORECASE)
+        if match:
+            return match.group(1)
+    return "N/A"
+
+########################################################
+def extraer_tipo_documento(texto):
+    """Identifica el tipo de documento SUNAT basándose en el texto usando regex multilínea."""
+    t = texto.upper()
+    
+    patrones = {
+        "01": [r'FACTURA\s+(ELECTR[OÓ]NICA|DE\s+VENTA)', r'FACTURA'],
+        "03": [r'BOLETA\s+DE\s+VENTA', r'BOLETA\s+ELECTR[OÓ]NICA'],
+        "07": [r'NOTA\s+DE\s+CR[EÉ]DITO'],
+        "08": [r'NOTA\s+DE\s+D[EÉ]BITO'],
+        "14": [r'RECIBO\s+POR\s+HONORARIOS'],
+        "09": [r'GU[IÍ]A\s+DE\s+REMISI[OÓ]N']
+    }
+    
+    for tipo, regex_list in patrones.items():
+        for p in regex_list:
+            if re.search(p, t, re.IGNORECASE | re.MULTILINE):
+                return tipo
+                
+    return "99"
+
+########################################################
+def extraer_serie_numero(texto):
+    """Busca la serie y número (ej. F001-123 o F001-0000123)."""
+    # Patrón común: [FBE][A-Z0-9]{3}-\d+
+    patron = re.search(r'\b([FBE][A-Z0-9]{3})\s*-\s*(\d+)\b', texto)
+    if patron:
+        return f"{patron.group(1)}-{patron.group(2)}"
+    
+    # Fallback para casos donde no hay guión o hay espacios raros
+    patron_alt = re.search(r'([FBE][A-Z0-9]{3})\s+(\d{1,10})', texto)
+    if patron_alt:
+        return f"{patron_alt.group(1)}-{patron_alt.group(2)}"
+        
+    return "No encontrado"
+
+########################################################
+def obtener_datos_pdf(ruta_pdf):
+    """Orquestador para extraer metadata de un PDF."""
+    texto = extraer_texto_pdf(ruta_pdf)
+    if not texto:
+        return {"valido": False, "error": "No se pudo extraer texto"}
+
+    return {
+        "valido": True,
+        "tipo_doc": extraer_tipo_documento(texto),
+        "ruc": extraer_ruc(texto),
+        "id": extraer_serie_numero(texto)
+    }
+
+########################################################