import re
import pandas as pd
import os
from datetime import datetime
from PyPDF2 import PdfReader
from collections import defaultdict

# Carpeta con tus tickets PDF
ticket_folder = "tickets"

def extract_data_from_pdf(file_path):
    reader = PdfReader(file_path)
    text = ""
    for page in reader.pages:
        text += page.extract_text() + "\n"

    date_match = re.search(r"(\d{2}/\d{2}/\d{4})", text)
    fecha = datetime.strptime(date_match.group(1), "%d/%m/%Y") if date_match else None

    products = []
    for line in text.splitlines():
        match = re.match(r"\d*\s?(.*?)\s+(\d+,\d{2})\s+(\d+,\d{2})", line)
        if match:
            nombre = match.group(1).strip().upper()
            unit_price = float(match.group(2).replace(",", "."))
            total_price = float(match.group(3).replace(",", "."))
            products.append((fecha, nombre, unit_price, total_price))
        else:
            match_simple = re.match(r"(.*?)\s+(\d+,\d{2})$", line)
            if match_simple:
                nombre = match_simple.group(1).strip().upper()
                total_price = float(match_simple.group(2).replace(",", "."))
                products.append((fecha, nombre, None, total_price))

    return products

# Recolectar todos los productos de todos los tickets
datos = []
for file in os.listdir(ticket_folder):
    if file.endswith(".pdf"):
        path = os.path.join(ticket_folder, file)
        datos.extend(extract_data_from_pdf(path))

# Crear DataFrame
columnas = ["fecha", "producto", "precio_unitario", "precio_total"]
df = pd.DataFrame(datos, columns=columnas)
df.dropna(subset=["fecha"], inplace=True)

# Normalizar nombres de producto (puedes hacer un diccionario de equivalencias si quieres afinar más)
df["producto"] = df["producto"].str.upper().str.strip()

# Guardar detalle completo
df.to_csv("detalle_productos.csv", index=False)

# Agrupar por producto
resumen = df.groupby("producto").agg(
    veces_comprado=("fecha", "count"),
    gasto_total=("precio_total", "sum"),
    primera_vez=("fecha", "min"),
    ultima_vez=("fecha", "max")
).sort_values("gasto_total", ascending=False)
resumen.to_csv("resumen_productos.csv")

# Gasto mensual
df["mes"] = df["fecha"].dt.to_period("M")
gasto_mensual = df.groupby("mes")["precio_total"].sum()
gasto_mensual.to_csv("gasto_mensual.csv")

print("\n✅ Análisis completado. Archivos generados:")
print("- detalle_productos.csv")
print("- resumen_productos.csv")
print("- gasto_mensual.csv")