PDF Coordinate Extractor

Ferramenta em Python para extração de dados estruturados de arquivos PDF padronizados utilizando mapeamento de coordenadas (X, Y).

Este projeto foi desenvolvido para automatizar a leitura de documentos onde o layout é fixo, mas o OCR tradicional falha ou é desnecessário. Inclui uma ferramenta visual para criar o "gabarito" das coordenadas.

Funcionalidades

1. Mapeador Visual (mapping_pdf.py):
   • Gera uma imagem do PDF com uma régua/grade sobreposta.
   • Facilita a identificação das coordenadas (x0, top, x1, bottom) para configuração.
2. Extrator em Lote (main.py):
   • Processa todos os PDFs de uma pasta.
   • Extrai campos específicos (ex: Contrato, CPF, Placa, Valores).
   • Exporta os dados para Excel (.xlsx), CSV e JSON.
   • Gera logs detalhados de sucesso/erro.

Nota sobre LGPD e Privacidade

Este repositório contém apenas o código fonte. Os arquivos PDF de entrada (denominados "calculadoras") e os relatórios gerados não estão incluídos para proteger dados sensíveis e estar em conformidade com a LGPD (Lei Geral de Proteção de Dados), pois contêm informações pessoais como CPF, nomes e endereços.

Para testar, utilize seus próprios PDFs e ajuste as coordenadas no dicionário mapa_campos dentro do arquivo main.py.

Como usar

1. Instalação

pip install -r requirements.txt

2. Mapeando um novo layout

Edite o arquivo mapear_pdf.py com o caminho do seu PDF alvo e execute:

python mapping_pdf.py

Isso gerará uma imagem gabarito_final.png que ajudará você a descobrir as coordenadas dos campos.

3. Executando a extração

Coloque seus arquivos .pdf na pasta calculadoras/.

Execute o script principal:

python main.py

Os resultados serão gerados na raiz (ou pasta output) como relatorio_final.xlsx.

---

Tecnologias

pdfplumber - Leitura de PDF e extração de texto por área.

Pandas - Manipulação de dados e exportação para Excel.

Pillow (PIL) - Manipulação de imagem para desenhar o gabarito.