transformar um pdf em excel
comentada em 07/12/2019 17:04

Olá, eu costumo usar um app chamado able2extract, ele é muito prático e rapido!

Com o Acrobat Pro você consegue (esse programa faz tudo que você quiser com pdf, na verdade), mas não é uma ferramenta gratuita...
Planos e preços | Adobe Acrobat DC

Tem infinitas formas de se fazer isso. Pensei em várias formas não triviais pra quem não programa, dei uma pesquisada aqui e achei uma API de Python bem interessante que converte com 3 linhas de código Python um PDF num arquivo de Excel. 

E se não quiser usar Python ou não souber nada de Python, no site da API eles disponibilizam a ferramenta gratuitamente com um limite de uploads pra quem não quer programar o código. 

Desvantagem: tem que criar um login e uma senha pra gerar uma api key. Fora isso é bem simples de fazer.

Site da API: PDF to Excel API - How it Works — PDFTables aqui basta criar um login que você consegue converter facilmente fazendo o upload do PDF.

Copiar e colar não funcionou? Pela organização dos dados no pdf, como uma tabela, achei que seria possível.

Você gerou esse pdf pelo site do banco? Não há a opção de salvar como Excel direto do site? No bancão laranja faço dessa forma.

@Mag.Neto, cartão de crédito Itaú e Santander somente PDF. Estou trabalhando num conversor em Python mas não consegue pegar tudo, 98%... Parece bom, mas depois ter que procurar os 2% é um saco.

@Zavlys qual lib você tá usando pra parsear o pdf? pytesseract? 

Small PDF ou I love PDF. Só dar um google

@ThiagoDV, sim, essa é pra OCR. Tb to usando a pypdf. Ainda nao decidi sobre o algoritimo de parse, o q vc recomenda?

@Zavlys No laranja eu extraio os dados da fatura direto do internet banking, ou via “Ccontrol C+Control V”, ou salvando o extrato direto como html.
Totalmente anti-pas mas funciona bem, inclusive com a distribuição dos dados nas colunas.
Depois dá uma conferida no seu banco.

@Zavlys então, te perguntei porque recentemente eu fiz uma ferramenta assim e tive problemas de performance. Essa ferramenta tá até rodando na web agora mas numa outra versão sem pytesseract. Ela extrai dados tabulares da primeira tabela existente em um documento em uma série de relatórios em PDF. 

A primeira versão que eu fiz era usando a pdf2image e a pytesseract. 

Então eu tinha criado uma função que extraía a imagem da primeira página do PDF usando a pdf2image e retornava essa imagem no formato de imagem da PIL, a lib padrão de imagens do Python.

A função seguinte recebia essa imagem como argumento e fazia o parse com a pytesseract usando a função image_to_string e retornava o texto obtido.

Uma terceira função recebia esse texto e procurava o padrão de dados que eu queria usando Regex. Com os matches eu ia criando listas de dados e nas funções seguintes eu tabulava isso em Excel. 

Só que observei que a pytesseract é muito boa pra um único documento. Acurácia de leitura boa, performance de média pra boa. Mas meu programa precisava ler 40-50-60 PDFs de uma vez. 

Observei um gargalo imenso no programa na hora de parsear a imagem usando a pytesseract. Leituras de 40 PDFs demorava mais de 4 minutos.

Daí pensei em usar a lib multiprocessing pra criar um pool de processos que iriam ler as imagens em paralelo. A pytesseract suporta multiprocesso e multithread. 

Mas não sei por que cargas d'água o algoritmo de multiprocesso não tava dando certo. O console travava na primeira leitura. Nunca descobri o erro aqui.

Então voltei a usar uma lib que tava usando antes de deixar o programa pure python. Troquei a pytesseract e a pdf2image por uma lib só chamada tika. Ela é dependente de Java na máquina e já faz todo o trabalho de transformar os PDFs em imagens, criar threads e parsear todos os documentos numa velocidade muito maior do que a que eu tinha na primeira versão. 

O exemplo com 40 PDFs passou de 4 minutos pra 5 segundos. O problema é só depender de Java e que a lib tika baixa um arquivo .jar temporário pra fazer o parse e esse arquivo tem 70 mb de tamanho.

Hoje tou rodando essa ferramenta em produção na web e tem dado certo. 

O código pro leitor de PDF tá aqui: analytics-tools/tools at master · ThiagoDiasV/analytics-tools · GitHub é o pdf_reader.py. 

@ThiagoDV Tiago quem tem interesse em aprender a programar por onde começar? 

@InThebarrel uma das opções é por aqui mesmo no site, com os tópicos que ando postando e estão todos organizados aqui no FAQ: Tecnologia - Bastter.com

Também tem os vídeos que eu faço na galeria da área: Tecnologia - Bastter.com

Um bom livro pra iniciar e como reforço e revisão das postagens que ando fazendo: Think Python 2e – Green Tea Press

Eu particularmente dei meus primeiros passos no canal "Curso em Vídeo" no Youtube. 

@ThiagoDV Obrigado! 

Tem o xpdfreader/pdftotext.

Eu já precisei converter este mesmo pdf do Banco do Brasil... Eu criei um Jupyter Notebook em Python, que usa a biblioteca tabula-py (tabula-py · PyPI) para importar o pdf, e pandas para manipular a tabela gerada, que vem muito desestruturada (o pdf é bem ruinzinho, hehe)... Precisa de dois parâmetros para rodar o notebook: o caminho para o arquivo, e a altura aproximada da tabela (facilmente medida num visualizador de pdf)... Se achar que ajuda, posso enviar...

@ThiagoDV : é muito complicado converter este script num .exe? Se fosse transformado num exe que abre um pop-up que pede o path do arquivo pdf e a altura da tabela, ia ficar fácil de usar e compartilhar...

@PMHM pesquisa pela lib pyinstaller. Dá uma olhada no FAQ aqui da área, eu já criei um tópico sobre ela, é o "Extra[11]". EDIT: Aparentemente é possível compartilhar executáveis dentro de um mesmo SO, mas vai ter que criar um executável pra cada SO se quiser compartilhar com várias pessoas que não sejam usuárias do SO inicial. 

Eu já quis fazer algo parecido, compartilhar coisas que criei com outras pessoas. A melhor solução que pensei foi subir tudo pra web. Não preciso me preocupar com sistema operacional de usuários, a pessoa só acessa a url e consegue usar meu programa sem dor de cabeça. O ambiente fica todo concentrado no servidor e fica de boa. A desvantagem é precisar de conexão com a internet.

Em breve vou abordar esse tipo de assunto por aqui usando Flask.

Link do extra que abordo a pyinstaller: Extra[11] - Python - Criando executáveis (.exe no Windows) - Tecnologia - Bastter.com

Parte da doc da pyinstaller que pode ajudar: Using PyInstaller — PyInstaller 3.5 documentation

Vim aqui ver como fazer isso.

Acabei usando o comando 'pdfgrep' para extrair o que queira e enviar para um arquivo texto e depois remover espaços extra com o comando " tr -s ' ' ".

E ai o Python para ler o arquivo e formatar os dados.

Ficou bem simples.