código em R para transformar o PDF horrível do C6 em um CSV com data, descrição e valor.

extrato_C6_PDF-CSV.r

# Verifique se foram fornecidos argumentos pela linha de comando
if (length(commandArgs(trailingOnly = TRUE)) < 1) {
  cat("Uso: Rscript extrato_C6_PDF-CSV.r <arquivo_PDF>\n")
  quit(status = 1)
}

# Obtenha o nome do arquivo PDF e a senha dos argumentos
arquivo_pdf <- commandArgs(trailingOnly = TRUE)[1]
# password <- commandArgs(trailingOnly = TRUE)[2]

# Você também pode ocultar a senha ao solicitá-la
senha <- readline("Digite a senha (será ocultada, deixe em branco se não houver): ", "")

# Instalar e carregar o pacote pdftools
if (!require(pdftools)) {
  install.packages("pdftools")
}
library(pdftools)

# Definir o caminho do arquivo PDF e a senha
# arquivo_pdf <- "extrato.pdf"
# senha <- "senha_do_arquivo"

# Ler o PDF com a senha especificada, se fornecida
if (length(senha) > 0) {
  pdf_texto <- pdf_text(arquivo_pdf, upw = senha)
} else {
  pdf_texto <- pdf_text(arquivo_pdf)
}

# Inicializar variáveis para armazenar os dados do extrato
dados_extrato <- list()

# Definir o número de linhas de cabeçalho para cada página
linhas_de_cabecalho <- c(19)  # Padrão para a primeira página
linhas_de_rodape <- 9  # Padrão para linhas de rodapé

# Inicializar um vetor para armazenar os dados de todas as páginas
todos_os_dados <- character(0)

# Loop pelas páginas do pdf_texto
for (i in seq_along(pdf_texto)) {
  # Extrair o texto da página atual
  texto_pagina <- pdf_texto[[i]]
  
  # Dividir o texto da página em linhas
  linhas_pagina <- unlist(strsplit(texto_pagina, "\n"))
  
  # Calcular o número de linhas de cabeçalho para esta página
  linhas_de_cabecalho_atual <- linhas_de_cabecalho[1]  # Padrão para a primeira página
  if (i > 1) {
    linhas_de_cabecalho_atual <- 13  # Ajustar para outras páginas
  }
  
  # Remover as linhas de cabeçalho e rodapé
  dados_pagina <- linhas_pagina[(linhas_de_cabecalho_atual + 1):(length(linhas_pagina) - linhas_de_rodape)]
  
  # Anexar os dados extraídos desta página a todos_os_dados
  todos_os_dados <- c(todos_os_dados, dados_pagina)
}

# Filtrar linhas que não terminem com "C" ou "D"
dados_filtrados <- todos_os_dados[grep("[CD]$", todos_os_dados)]

# Inicializar vetores para armazenar cada campo
datas <- character(0)
descricoes <- character(0)
numeros_de_documento <- character(0)
valores <- numeric(0)
cd <- character(0)

# Loop por cada linha dos dados filtrados
for (linha in dados_filtrados) {
  # Extrair data (dd/mm/yyyy)
  data <- sub("^(\\d{2}/\\d{2}/\\d{4}).*", "\\1", linha)
  
  # Extrair descrição
  descricao <- sub("^\\d{2}/\\d{2}/\\d{4}\\s+(.*?)\\s+\\d{12}.*", "\\1", linha)
  
  # Extrair número do documento (12 dígitos)
  numero_de_documento <- sub(".*?(\\d{12}).*", "\\1", linha)
  
  # Extrair valor (1.234,00) e converter para numérico
  valor_str <- sub(".*?(\\d{1,3}(\\.\\d{3})*(,\\d{2})).*", "\\1", linha)
  # Remover pontos para milhares
  valor_str <- gsub("\\.", "", valor_str)
  # Substituir vírgula por ponto para torná-lo um formato numérico válido (1.234,00)
  valor_str <- gsub(",", ".", valor_str)
  # Tentar converter para numérico, lidando com caracteres não numéricos potenciais
  valor_numerico <- as.numeric(valor_str)
  if (is.na(valor_numerico)) {
    valor_numerico <- NA  # Definir como NA se a conversão falhar
  }
  
  # Determinar C ou D
  indicador_cd <- sub(".*([CD])$", "\\1", linha)
  
  # Anexar os valores extraídos aos respectivos vetores
  datas <- c(datas, data)
  descricoes <- c(descricoes, descricao)
  numeros_de_documento <- c(numeros_de_documento, numero_de_documento)
  valores <- c(valores, valor_numerico)
  cd <- c(cd, indicador_cd)
}

# Criar um quadro de dados a partir dos campos extraídos
extrato_bancario <- data.frame(Data = datas, Descrição = descricoes,
                             Número_do_Documento = numeros_de_documento, Valor = valores, CD = cd)

# Definir uma função para converter valores com base em CD
converter_valor <- function(valor, cd) {
  if (length(valor) > 0 && length(cd) > 0) {
    if (cd == "D") {
      return(-as.numeric(as.character(valor)))
    } else {
      return(as.numeric(as.character(valor)))
    }
  } else {
    return(as.numeric(as.character(valor)))
  }
}

# Aplicar a função converter_valor à coluna Valor
extrato_bancario$Valor <- mapply(converter_valor, extrato_bancario$Valor, extrato_bancario$CD)

# Remover as colunas Número_do_Documento e CD
extrato_bancario <- extrato_bancario[, -which(names(extrato_bancario) %in% c("Número_do_Documento", "CD"))]

# Remover strings específicas da coluna Descrição
extrato_bancario$Descrição <- gsub("DEBITO DE CARTAO -|DEB AUTOMATICO -", "", extrato_bancario$Descrição)

# Remover espaço em branco no final da coluna Descrição
extrato_bancario$Descrição <- gsub("\\s+BRA$", "", extrato_bancario$Descrição)
extrato_bancario$Descrição <- gsub("\\s+BRASILIA$", "", extrato_bancario$Descrição)

# Salvar o quadro de dados como um arquivo CSV sem nomes de linhas
write.csv(extrato_bancario, file = "extrato_bancario.csv", row.names = FALSE)