initial commit

Dockerfile

@@ -0,0 +1,23 @@
+# Image Python légère
+FROM python:3.11-slim
+
+# Installer Java (tabula-py utilise tabula-java) 
+RUN apt-get update && apt-get install -y --no-install-recommends \
+    openjdk-17-jre-headless \
+ && rm -rf /var/lib/apt/lists/*
+
+# (Optionnel) encodage propre côté JVM
+ENV JAVA_TOOL_OPTIONS="-Dfile.encoding=UTF-8"
+
+# Installer dépendances Python
+RUN pip install --no-cache-dir tabula-py pandas
+
+# Copier le script dans l'image
+WORKDIR /app
+COPY convert.py /app/convert.py
+
+# Répertoire de travail contenant les PDF (sera monté en volume)
+WORKDIR /data
+
+# Lancer le script sur /data
+ENTRYPOINT ["python", "/app/convert.py"]

README.md

@@ -0,0 +1,41 @@
+# 📄 pdf2csv
+
+Convertisseur de fichiers **PDF** en **CSV** basé sur [tabula-py](https://github.com/chezou/tabula-py) et [pandas](https://pandas.pydata.org/), empaqueté dans une image **Docker** légère.
+
+Il est conçu pour traiter automatiquement les relevés bancaires PDF (ou autres tableaux PDF similaires) en appliquant des opérations de nettoyage et de fusion avant de produire un fichier CSV unique.
+
+---
+
+## 🚀 Fonctionnalités du script
+
+Le script `convert.py` :
+
+1. **Extraction**  
+   - Utilise `tabula-py` pour extraire les tableaux depuis tous les fichiers PDF du dossier `/data`.
+   - Supporte les PDFs multi-pages.
+
+2. **Nettoyage des données**  
+   - Supprime les **3 premières lignes** de chaque extrait, jusqu’à la ligne contenant `SOLDE`.
+   - Supprime **toute ligne dont la première colonne contient `date`** (ligne d’entête répétée).
+   - Supprime **la ligne contenant `Total des mouvements` ainsi que toutes celles qui suivent**.
+
+3. **Fusion des documents**  
+   - Fusionne tous les CSV générés en **un seul fichier final**.
+   - Ajoute **en première ligne** du fichier final l’en-tête `date` (récupéré du premier tableau traité).
+
+4. **Formatage des valeurs**  
+   - Supprime tous les **points `.`** dans les deux dernières colonnes (pour nettoyer les séparateurs de milliers dans les montants).
+
+5. **Export**  
+   - Produit un **fichier CSV unique** propre, prêt à être utilisé dans un tableur ou un outil de gestion de budget.
+
+---
+
+## 📦 Construction de l'image
+
+Clonez ce dépôt puis construisez l'image :
+
+```bash
+git clone https://gitea.example.org/monuser/pdf2csv.git
+cd pdf2csv
+docker build -t pdf2csv:latest .

convert.py

@@ -0,0 +1,169 @@
+#!/usr/bin/env python3
+import os
+import csv
+import pandas as pd
+import tabula
+
+# Mots-clés utilisés pour repérer les zones à supprimer
+MOT_DEBUT = "SOLDE"                 # Supprimer jusqu'à et y compris cette ligne
+MOT_FIN = "Total des mouvements"    # Supprimer cette ligne et toutes les suivantes
+MOT_DATE = "date"                   # Lignes à ignorer si 1er champ contient ce mot
+
+# -------------------------------------------------------------------
+# Détecte automatiquement le séparateur d'un CSV à partir d'un échantillon
+# -------------------------------------------------------------------
+def detect_delimiter(sample_text):
+    try:
+        dialect = csv.Sniffer().sniff(sample_text, delimiters=",;|\t")
+        return dialect.delimiter
+    except Exception:
+        # Fallback : choix heuristique FR (beaucoup de CSV utilisent ;)
+        return ";" if sample_text.count(";") >= sample_text.count(",") else ","
+
+# -------------------------------------------------------------------
+# Nettoie un CSV brut issu de Tabula selon les règles demandées
+# -------------------------------------------------------------------
+def nettoyer_csv_texte(csv_in_path, csv_out_path):
+    # Lecture brute du fichier texte (pas encore DataFrame)
+    with open(csv_in_path, "r", encoding="utf-8", errors="replace") as f:
+        lines = f.readlines()
+
+    # 1️⃣ Supprimer les 3 premières lignes quoi qu'il arrive
+    lines = lines[3:]
+
+    # 2️⃣ Chercher la première ligne contenant MOT_DEBUT (SOLDE)
+    idx_debut = None
+    for i, line in enumerate(lines):
+        if MOT_DEBUT.lower() in line.lower():
+            idx_debut = i
+            break
+    if idx_debut is not None:
+        # Supprimer tout jusqu'à et y compris cette ligne
+        lines = lines[idx_debut + 1:]
+
+    # 3️⃣ Supprimer à partir de la ligne contenant MOT_FIN (Total des mouvements)
+    idx_fin = None
+    for i, line in enumerate(lines):
+        if MOT_FIN.lower() in line.lower():
+            idx_fin = i
+            break
+    if idx_fin is not None:
+        lines = lines[:idx_fin]
+
+    # 4️⃣ Détection du séparateur sur un échantillon
+    sample = "".join(lines[:20])
+    delim = detect_delimiter(sample)
+
+    # 5️⃣ Lecture en mode tolérant avec csv.reader
+    reader = csv.reader(lines, delimiter=delim)
+    rows = [row for row in reader]
+
+    # 6️⃣ Normaliser le nombre de colonnes (éviter erreurs si certaines lignes sont plus courtes)
+    max_cols = max(len(r) for r in rows) if rows else 0
+    rows = [r + [""] * (max_cols - len(r)) for r in rows]
+
+    # 7️⃣ Supprimer les lignes dont le premier champ contient "date" (sauf on garde une copie pour l'entête globale)
+    header_line = None
+    filtered_rows = []
+    for r in rows:
+        first_col = (r[0] or "").strip().lower()
+        if MOT_DATE in first_col:
+            if header_line is None:
+                header_line = r[:]  # garder pour l'entête globale
+            continue  # ne pas inclure cette ligne dans ce fichier final
+        filtered_rows.append(r)
+
+    # 8️⃣ Fusionner les lignes dont la première colonne est vide avec la précédente
+    merged = []
+    for r in filtered_rows:
+        if (r[0] or "").strip() == "" and merged:
+            prev = merged[-1]
+            if len(prev) < len(r):
+                prev += [""] * (len(r) - len(prev))
+            for i in range(len(r)):
+                if r[i].strip():
+                    prev[i] = (prev[i] + " " + r[i]).strip() if prev[i] else r[i].strip()
+        else:
+            merged.append(r)
+
+    # 9️⃣ Nettoyer les deux dernières colonnes : supprimer les points dans les nombres
+    if merged:
+        for r in merged:
+            if len(r) >= 2:
+                # Dernière colonne
+                r[-1] = r[-1].replace(".", "")
+            if len(r) >= 3:
+                # Avant-dernière colonne
+                r[-2] = r[-2].replace(".", "")
+
+    # 🔟 Sauvegarde du fichier nettoyé
+    with open(csv_out_path, "w", encoding="utf-8", newline="") as f:
+        writer = csv.writer(f, delimiter=delim)
+        writer.writerows(merged)
+
+    return header_line  # Retourne l'entête détectée pour usage ultérieur
+
+# -------------------------------------------------------------------
+# Convertit un PDF avec Tabula puis nettoie le CSV
+# -------------------------------------------------------------------
+def convertir_et_nettoyer(pdf_path, out_dir="/data"):
+    base = os.path.splitext(os.path.basename(pdf_path))[0]
+    csv_brut = os.path.join(out_dir, f"{base}_brut.csv")
+    csv_final = os.path.join(out_dir, f"{base}_final.csv")
+
+    # Conversion PDF -> CSV brut
+    tabula.convert_into(pdf_path, csv_brut, output_format="csv", pages="all", lattice=True)
+    print(f"[✓] Converti : {pdf_path}")
+
+    # Nettoyage du CSV et récupération de l'entête éventuelle
+    header_line = nettoyer_csv_texte(csv_brut, csv_final)
+    print(f"[✓] Nettoyé : {csv_final}")
+    return csv_final, header_line
+
+# -------------------------------------------------------------------
+# Fusionne plusieurs CSV en un seul avec ajout de l'entête globale
+# -------------------------------------------------------------------
+def fusionner_csv(liste_csv, fichier_sortie, header_line):
+    if not liste_csv:
+        print("Aucun CSV à fusionner.")
+        return
+    dfs = []
+    for csv_file in liste_csv:
+        try:
+            df = pd.read_csv(csv_file, header=None)
+            dfs.append(df)
+        except Exception as e:
+            print(f"[!] Erreur lecture {csv_file} : {e}")
+
+    if dfs:
+        final_df = pd.concat(dfs, ignore_index=True)
+        # Ajout de l'entête en première ligne
+        if header_line:
+            header_df = pd.DataFrame([header_line])
+            final_df = pd.concat([header_df, final_df], ignore_index=True)
+        final_df.to_csv(fichier_sortie, index=False, header=False)
+        print(f"[✓] Fichier fusionné : {fichier_sortie}")
+
+# -------------------------------------------------------------------
+# Traitement complet : conversion, nettoyage, fusion
+# -------------------------------------------------------------------
+def traitement_batch(workdir="/data"):
+    pdfs = sorted([f for f in os.listdir(workdir) if f.lower().endswith(".pdf")])
+    if not pdfs:
+        print("Aucun PDF trouvé.")
+        return
+
+    fichiers_finaux = []
+    header_global = None
+    for pdf in pdfs:
+        final_csv, header_line = convertir_et_nettoyer(os.path.join(workdir, pdf), workdir)
+        fichiers_finaux.append(final_csv)
+        if header_line and header_global is None:
+            header_global = header_line  # on garde le premier trouvé
+
+    # Fusion de tous les fichiers nettoyés en un seul
+    fusionner_csv(fichiers_finaux, os.path.join(workdir, "fusion_total.csv"), header_global)
+
+# -------------------------------------------------------------------
+if __name__ == "__main__":
+    traitement_batch("/data")