import re
import pandas as pd
import os
from datetime import datetime, timedelta
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
def load_and_process_data():
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
df["producto"] = df["producto"].str.upper().str.strip()
return df
# Calcular la frecuencia de compra y la fecha estimada de la próxima compra
def calculate_purchase_estimates(df):
# Calcular el tiempo entre compras para cada producto
df["diferencia_dias"] = df.groupby("producto")["fecha"].diff().dt.days
# Calcular la frecuencia de compra (promedio de días entre compras)
frecuencia_compra = df.groupby("producto")["diferencia_dias"].mean().reset_index()
# Estimación de la duración de los productos (cuánto duran en casa)
frecuencia_compra["proxima_compra_estimado"] = df["fecha"].max() + pd.to_timedelta(frecuencia_compra["diferencia_dias"], unit="D")
# Ahora seleccionamos los productos que más frecuentemente compras
frecuencia_compra["producto"] = frecuencia_compra["producto"].str.title() # Capitalizar el nombre del producto
frecuencia_compra["fecha_estimada_proxima_compra"] = frecuencia_compra["proxima_compra_estimado"].dt.strftime("%d/%m/%Y")
return frecuencia_compra
# Generar la lista de la compra semanal
def generate_weekly_shopping_list(frecuencia_compra):
today = datetime.today()
# Calcular la fecha del próximo jueves
days_until_next_thursday = (3 - today.weekday()) % 7
next_thursday = today + timedelta(days=days_until_next_thursday)
# Filtrar los productos cuya próxima compra se estima para la próxima semana
productos_estimados = frecuencia_compra[frecuencia_compra["proxima_compra_estimado"] <= next_thursday]
# Generar la lista de la compra en formato HTML
html_content = """
Lista de la Compra Semanal
Lista de la Compra Semanal (Próximo Jueves)
Producto
Días Promedio entre Compras
Fecha Estimada de la Próxima Compra
"""
# Añadir filas con los productos
for _, row in productos_estimados.iterrows():
html_content += f"""
{row['producto']}
{row['diferencia_dias']:.0f}
{row['fecha_estimada_proxima_compra']}
"""
html_content += """
"""
# Guardar el archivo HTML
file_name = f"lista_compra_semanal_{next_thursday.strftime('%d_%m_%Y')}.html"
with open(file_name, "w", encoding="utf-8") as file:
file.write(html_content)
print(f"\n✅ Página HTML generada: {file_name}")
# Función para actualizar la lista de la compra después de agregar un nuevo ticket
def update_shopping_list():
# Cargar y procesar los datos
df = load_and_process_data()
# Calcular las estimaciones de la compra
frecuencia_compra = calculate_purchase_estimates(df)
# Generar la lista de la compra para la próxima semana (jueves)
generate_weekly_shopping_list(frecuencia_compra)
# Llamar a la función para actualizar la lista de la compra
update_shopping_list()