import PyPDF2
from pandas import *
import sys

chnum=['一','二','三','四','五','六','七','八','九','十',]
fnames=[
#"D:\E\My Documents\EIAs\電廠\GAS_EIA\(1020271A) 大潭電廠增建燃氣複循環機組發電計畫環境影響說明書\C07.pdf",
"D:\E\My Documents\EIAs\電廠\GAS_EIA\(1070401A) 興達電廠燃氣機組更新改建計畫環境影響說明書\C07.pdf",
"D:\E\My Documents\EIAs\電廠\GAS_EIA\(1070721A) 森霸電力第二期燃氣複循環發電計畫環境影響說明書\C07.pdf",
"D:\E\My Documents\EIAs\電廠\GAS_EIA\(1070731A) 台中發電廠新建燃氣機組計畫環境影響說明書\C07.pdf",
"D:\E\My Documents\EIAs\電廠\GAS_EIA\(1101051A) 中佳燃氣複循環電廠興建計畫環境影響說明書\C07.pdf",
"D:\E\My Documents\EIAs\電廠\GAS_EIA\(1110461A) 大林發電廠燃氣機組更新改建計畫環境影響說明書\C07.pdf",
]
codings={0:'big5'}
codings.update({i:'utf-8' for i in range(1,5)})
fname=fnames[int(sys.argv[1])]
#outlineR.txt 為對outline.txt人工修改的結果
fname=fname.replace('.pdf','outlineR.txt')
with open(fname,'r', encoding=codings[int(sys.argv[1])]) as f:
    lines=[l.strip().replace('\n','') for l in f]
df=DataFrame({'tit':lines,'lev':0})
df['id']=df.index
df.loc[df.tit.map(lambda x:x.count('.')==2 and x[0].isdigit() and x[2].isdigit() and x[4].isdigit()),'lev']=2
df.loc[(df.lev==0)&(df.tit.map(lambda x:x[2].isdigit() and x[1]=='.')),'lev']=1
df.loc[(df.lev==0)&(df.tit.map(lambda x:x[0] in chnum)),'lev']=3
df.loc[(df.lev==0)&(df.tit.map(lambda x:x[1] in chnum)),'lev']=4
df.loc[(df.lev==0)&(df.tit.map(lambda x:x[0].isdigit())),'lev']=5
df.loc[(df.lev==0)&(df.tit.map(lambda x:x[1].isdigit() and x[0]=='(' and x[2]==')')),'lev']=6
df.loc[(df.lev==0)&(df.tit.map(lambda x:x[0].isupper())),'lev']=7
df.loc[(df.lev==0)&(df.tit.map(lambda x:x[1].isupper() and x[0]=='(' and x[2]==')')),'lev']=8
df.loc[(df.lev==0)&(df.tit.map(lambda x:x[0].islower())),'lev']=9
df.loc[(df.lev==0)&(df.tit.map(lambda x:x[1].islower() and x[0]=='(' and x[2]==')')),'lev']=10
df['parent_id'] = None
mnlev,mxlev=df.lev.min(),df.lev.max()
for l in range(mnlev,mxlev):
    a=df.loc[df.lev==l]
    n=len(a)
    if n==0:continue
    ai=list(a.index)
    aj=ai[1:]+[len(df)]
    b=df.loc[(df.lev>l) & (df.parent_id.isnull())] 
    for i in range(n):
        boo=(b.index>ai[i]) & (b.index<aj[i] )
        c=b.loc[boo]
        mn=c.lev.min()
        df.loc[c.loc[c.lev==mn].index,'parent_id']=ai[i]
fname=fname.replace('outlineR.txt','.csv')
df.set_index('id').to_csv(fname) # 暫存

#重做一次outlines
fname=fnames[int(sys.argv[1])]
pdfFileObj = open(fname, 'rb')
pdfReader = PyPDF2.PdfReader(pdfFileObj)
a=''
i=1
if '7-' not in pdfReader.pages[0].extract_text():i=0
if '7 -' not in pdfReader.pages[0].extract_text():i=0
for pageObj in pdfReader.pages:
    a+=pageObj.extract_text().replace('7-'+str(i),'\n').replace('7 - '+str(i),'\n')
    i+=1
lines=a.split('\n')
nlines=len(lines)


#填入每個標題下的內容
'''令起算行(iold)為0
對每個標題進行迴圈
從上次起算行(iold)開始，一直到測試完所有行數(nlines)，測試下個標題是否在該行文字內容中
如是，則將此間內容全部存在該標題之df.content[i]中、更新(iold)、跳開執行下個標題
找不到(單行標題、無內容)：則為空白。'''

n=len(df)
df['content']=''
iold=0
for i in df.index[:-1]:
    for j in range(iold,nlines):
        if df.tit[i+1] in lines[j]:
            for jj in range(iold,j):
                df.content[i]+=lines[jj].strip()
            df.content[i].replace(df.tit[i],'')
            iold=j
            break
for jj in range(iold,nlines):
    df.content[n-1]+=lines[jj].strip()
fname=fname.replace('.pdf','.csv')
df.set_index('id').to_csv(fname) # 最後儲存