import re import pandas as pd from bs4 import BeautifulSoup def clean_text(val): if pd.isna(val): return "" return str(val).strip() def normalizar_colunas(cols): """ Mapeia os nomes das colunas de uma tabela/planilha para nossas chaves padronizadas: 'nome', 'ra_cpf', 'telefone' """ mapa = {} for col in cols: col_lower = str(col).lower().strip() # Mapeamento para Nome do Aluno if col_lower in ["aluno", "nome", "nome do aluno", "estudante"]: mapa["nome"] = col # Mapeamento para Identificador (RA ou CPF) elif col_lower in ["ra", "cpf", "matricula", "matrícula", "ra/cpf"]: mapa["ra_cpf"] = col # Mapeamento para Contato/Telefone elif col_lower in ["telefone", "telefone 1", "telefone1", "celular", "contato", "fone", "tel"]: mapa["telefone"] = col return mapa def parse_excel(file_path): """ Lê uma planilha Excel (.xlsx ou .xls), identifica as colunas relevantes e retorna uma lista de dicionários contendo os dados dos alunos. """ try: df = pd.read_excel(file_path) mapa_colunas = normalizar_colunas(df.columns) # Se não encontrarmos colunas mapeadas automaticamente, tentamos heurísticas if "nome" not in mapa_colunas: # Assume que a primeira coluna do tipo string com nomes longos pode ser o nome for col in df.columns: if df[col].dtype == object and df[col].astype(str).str.len().mean() > 5: mapa_colunas["nome"] = col break # Garante que temos pelo menos o nome do aluno para prosseguir if "nome" not in mapa_colunas: raise ValueError("Não foi possível identificar a coluna de 'Nome' ou 'Aluno' na planilha.") alunos = [] for _, row in df.iterrows(): nome = clean_text(row.get(mapa_colunas.get("nome"))) if not nome: continue # ignora linhas sem nome ra_cpf = clean_text(row.get(mapa_colunas.get("ra_cpf"))) if "ra_cpf" in mapa_colunas else "" telefone = clean_text(row.get(mapa_colunas.get("telefone"))) if "telefone" in mapa_colunas else "" # Limpa formatações de telefone se vier em float/int no Excel if telefone.endswith(".0"): telefone = telefone[:-2] alunos.append({ "nome": nome, "ra_cpf": ra_cpf, "telefone": telefone }) return alunos except Exception as e: print(f"[Erro Parser Excel] Falha ao processar planilha: {e}") return [] def parse_html_table(html_content): """ Lê tabelas em formato HTML (corpo do e-mail) e extrai a lista de alunos. """ try: soup = BeautifulSoup(html_content, "html.parser") table = soup.find("table") if not table: return [] # Extrai os cabeçalhos headers = [] thead = table.find("thead") if thead: headers = [clean_text(th.text) for th in thead.find_all("th")] else: # Se não houver thead, tenta pegar a primeira tr first_tr = table.find("tr") if first_tr: headers = [clean_text(td.text) for td in first_tr.find_all(["td", "th"])] mapa_colunas = normalizar_colunas(headers) # Localiza todas as linhas de dados (ignorando a primeira se ela continha os headers) rows = table.find_all("tr") start_idx = 1 if not thead and len(headers) > 0 else 0 alunos = [] for tr in rows[start_idx:]: tds = tr.find_all("td") if not tds or len(tds) < len(headers): continue # Cria um dicionário temporário da linha mapeando o cabeçalho ao valor row_data = {} for i, header in enumerate(headers): if i < len(tds): row_data[header] = clean_text(tds[i].text) nome = row_data.get(mapa_colunas.get("nome", "")) if not nome: continue ra_cpf = row_data.get(mapa_colunas.get("ra_cpf", "")) telefone = row_data.get(mapa_colunas.get("telefone", "")) alunos.append({ "nome": nome, "ra_cpf": ra_cpf, "telefone": telefone }) return alunos except Exception as e: print(f"[Erro Parser HTML] Falha ao processar tabela: {e}") return [] def parse_plain_text(text_content): """ Processa e-mails em texto corrido. Suporta dois formatos: 1. Formato Bloco Multilinhas (Multivix): RA: 2528022 Aluno: Nilson Pereira da Silva Telefone 1: 27 997418799 2. Formato Linha Única (Unidoctum): EMÍLIA OLIVEIRA WIGHTMAN CPF: 04700012676 """ alunos = [] linhas = [l.strip() for l in text_content.split("\n") if l.strip()] # Heurística para detectar se o texto tem blocos estruturados de multilinhas tem_estrutura_multilinha = False for linha in linhas: linha_lower = linha.lower() if any(key in linha_lower for key in ["aluno:", "nome:", "ra:", "telefone 1:", "telefone:", "tel:"]): tem_estrutura_multilinha = True break if tem_estrutura_multilinha: print("[Plain Text Parser] Detectado formato multilinhas estruturado.") current_aluno = {} for linha in linhas: nome_match = re.search(r"(?:aluno|nome)\s*:\s*(.+)", linha, re.IGNORECASE) ra_match = re.search(r"(?:ra|cpf|matricula)\s*:\s*([\w\.-]+)", linha, re.IGNORECASE) tel_match = re.search(r"(?:telefone|celular|fone|contato)\s*(?:\d+)?\s*:\s*([\d\s+-]+)", linha, re.IGNORECASE) if nome_match or ra_match or tel_match: if not current_aluno: current_aluno = {"nome": "", "ra_cpf": "", "telefone": ""} if nome_match: # Se já temos um nome preenchido, salvamos o anterior antes de começar um novo if current_aluno["nome"]: if len(current_aluno["nome"]) > 3 and (current_aluno["ra_cpf"] or current_aluno["telefone"]): alunos.append(current_aluno) current_aluno = {"nome": "", "ra_cpf": "", "telefone": ""} current_aluno["nome"] = nome_match.group(1).strip() elif ra_match: if current_aluno["ra_cpf"]: if len(current_aluno["nome"]) > 3 and (current_aluno["ra_cpf"] or current_aluno["telefone"]): alunos.append(current_aluno) current_aluno = {"nome": "", "ra_cpf": "", "telefone": ""} current_aluno["ra_cpf"] = ra_match.group(1).strip() elif tel_match: if current_aluno["telefone"]: if len(current_aluno["nome"]) > 3 and (current_aluno["ra_cpf"] or current_aluno["telefone"]): alunos.append(current_aluno) current_aluno = {"nome": "", "ra_cpf": "", "telefone": ""} current_aluno["telefone"] = tel_match.group(1).strip() # Salva o último aluno pendente do loop if current_aluno and len(current_aluno.get("nome", "")) > 3: if current_aluno.get("ra_cpf") or current_aluno.get("telefone"): alunos.append(current_aluno) if alunos: return alunos # --- FALLBACK: Parser de Linha Única (ex: Unidoctum) --- print("[Plain Text Parser] Processando no formato linha única (fallback)...") regex_cpf = re.compile(r"\b\d{3}\.?\d{3}\.?\d{3}-?\d{2}\b") regex_ra = re.compile(r"\b\d{6,10}\b") regex_telefone = re.compile(r"\b(?:\+?55\s?)?(?:\(?\d{2}\)?\s?)?9?\d{4}[-.\s]?\d{4}\b") for linha in linhas: linha_limpa = linha.strip() identificador = "" cpf_match = regex_cpf.search(linha_limpa) if cpf_match: identificador = cpf_match.group(0) else: ra_match = regex_ra.search(linha_limpa) if ra_match: identificador = ra_match.group(0) telefone = "" tel_match = regex_telefone.search(linha_limpa) if tel_match: telefone = tel_match.group(0) divisor = None for term in ["cpf:", "cpf", "ra:", "ra", "ra/cpf"]: if term in linha_limpa.lower(): divisor = term break nome = "" if divisor: partes = re.split(divisor, linha_limpa, flags=re.IGNORECASE) nome = partes[0].strip(" -:;,") elif identificador: partes = linha_limpa.split(identificador) nome = partes[0].strip(" -:;,") nome = re.sub(r"[^\w\sÀ-ÿ]", "", nome).strip() if len(nome) > 3 and (identificador or telefone): alunos.append({ "nome": nome, "ra_cpf": identificador, "telefone": telefone }) return alunos