83 lines
2.9 KiB
Python
83 lines
2.9 KiB
Python
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)
|
|
}
|
|
|
|
######################################################## |