processar_admesosconselleria.py

#!/usr/bin/env python3

import pdfplumber
import pandas as pd
import re

ruta_rel = './250708/'
ruta_pdf = ruta_rel + 'admitidos.pdf'
archivo_intermedio = ruta_rel + 'todas_tablas_constante.csv'

archivo_salida = ruta_rel + 'alumnes_cicles.csv'

max_cols = 3

filas_combinadas = []

with pdfplumber.open(ruta_pdf) as pdf:
    for n_pagina, page in enumerate(pdf.pages, start=1):
        print(f"Analitzant pàgina {n_pagina}...")
        tablas = page.extract_tables()
        for i, tabla in enumerate(tablas, start=1):
            for fila in tabla:
                # Rellenar fins a max_cols
                fila_normalizada = fila + [''] * (max_cols - len(fila))
                fila_normalizada = fila_normalizada[:max_cols]

                # Netejar cada cel·la
                cel_clean = []
                for celda in fila_normalizada:
                    if celda:
                        # 🔴 Cas 1: elimina "NO P\n" i semblants
                        celda = re.sub(r'NO\s*P[\s\n]*', '', celda)
                        celda = celda.replace("\n", " ").strip()
                    else:
                        celda = ""
                    cel_clean.append(celda)

                # 🔴 Cas 2: si tota la fila conté variants de "UBLICABLE", descartar-la
                celda_unida = ' '.join(cel_clean).lower()
                if "ublicable" in celda_unida and all(
                    "publicable" in c.lower() for c in cel_clean if c.strip() != ""
                ):
                    continue  # Ignorar fila contaminada

                # Afegir pàgina i taula
                fila_completa = [n_pagina, i] + cel_clean
                filas_combinadas.append(fila_completa)

# Columnes
columnas = ["pagina", "tabla"] + [f"col{i}" for i in range(1, max_cols + 1)]
df = pd.DataFrame(filas_combinadas, columns=columnas)
df.to_csv(archivo_intermedio, index=False)

print(f"\n✅ Exportació completada sense marques d’aigua, guardada en: {archivo_intermedio}")

import pandas as pd

# Carrega el CSV original
df = pd.read_csv(archivo_intermedio)

# Variables per guardar el codi i nom del cicle actual
current_codi_cicle = None
current_nom_cicle = None

# Llista per guardar les dades dels alumnes
students_data = []

# Itera per les files del DataFrame
for _, row in df.iterrows():
    if row['tabla'] == 2 and isinstance(row['col1'], str) and row['col1'].startswith("CODI CICLE"):
        parts = row['col1'].split(":")
        if len(parts) > 1:
            current_codi_cicle = parts[1].strip()
        parts = row['col2'].split(":")
        if len(parts) > 1:
            current_nom_cicle = parts[1].strip()
    elif row['tabla'] == 3 and isinstance(row['col1'], str) and row['col1'].strip() != "DNI":
        dni = row['col1']
        nom_alumne = row['col2']
        if isinstance(dni, str) and dni.strip() != "":
            students_data.append({
                "dni": dni.strip(),
                "nom_alumne": nom_alumne.strip() if isinstance(nom_alumne, str) else "",
                "codi_cicle": current_codi_cicle,
                "nom_cicle": current_nom_cicle
            })

# Crea el DataFrame i guarda'l
students_df = pd.DataFrame(students_data)
students_df.to_csv(archivo_salida, index=False)