Python-Projects/ComparadorDocumentos.py at main · iceYami/Python-Projects · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
#!/usr/bin/env python3
"""
Comparador de Documentos Profesional
====================================

Este script compara dos documentos de diferentes formatos (DOC, DOCX, RTF, TXT, PDF)
y genera un reporte HTML con las diferencias resaltadas visualmente.

Características:
- Soporte para múltiples formatos de archivo
- Comparación inteligente línea por línea
- Reporte HTML con colores diferenciados
- Estadísticas de diferencias
- Manejo robusto de errores
- Interfaz de línea de comandos amigable

Autor: Claude AI
Fecha: 2025
"""

import argparse
import difflib
import html
import os
import sys
from pathlib import Path
from typing import List, Tuple, Optional
import re

# Importaciones para lectura de documentos
try:
    import docx
    from docx import Document
    DOCX_AVAILABLE = True
except ImportError:
    DOCX_AVAILABLE = False

try:
    import pypandoc
    PANDOC_AVAILABLE = True
except ImportError:
    PANDOC_AVAILABLE = False

try:
    import PyPDF2
    PDF_AVAILABLE = True
except ImportError:
    PDF_AVAILABLE = False

try:
    from striprtf.striprtf import rtf_to_text
    RTF_AVAILABLE = True
except ImportError:
    RTF_AVAILABLE = False


class DocumentReader:
    """Clase para leer diferentes tipos de documentos"""

    @staticmethod
    def read_txt(filepath: str) -> str:
        """Lee archivos de texto plano"""
        with open(filepath, 'r', encoding='utf-8', errors='ignore') as f:
            return f.read()

    @staticmethod
    def read_docx(filepath: str) -> str:
        """Lee archivos DOCX"""
        if not DOCX_AVAILABLE:
            raise ImportError("python-docx no está instalado. Instálalo con: pip install python-docx")

        doc = Document(filepath)
        text = []
        for paragraph in doc.paragraphs:
            text.append(paragraph.text)
        return '\n'.join(text)

    @staticmethod
    def read_rtf(filepath: str) -> str:
        """Lee archivos RTF"""
        if not RTF_AVAILABLE:
            raise ImportError("striprtf no está instalado. Instálalo con: pip install striprtf")

        with open(filepath, 'r', encoding='utf-8', errors='ignore') as f:
            rtf_content = f.read()
        return rtf_to_text(rtf_content)

    @staticmethod
    def read_pdf(filepath: str) -> str:
        """Lee archivos PDF"""
        if not PDF_AVAILABLE:
            raise ImportError("PyPDF2 no está instalado. Instálalo con: pip install PyPDF2")

        text = []
        with open(filepath, 'rb') as f:
            pdf_reader = PyPDF2.PdfReader(f)
            for page in pdf_reader.pages:
                text.append(page.extract_text())
        return '\n'.join(text)

    @staticmethod
    def read_doc(filepath: str) -> str:
        """Lee archivos DOC usando pandoc"""
        if not PANDOC_AVAILABLE:
            raise ImportError("pypandoc no está instalado. Instálalo con: pip install pypandoc")

        return pypandoc.convert_file(filepath, 'plain')

    @staticmethod
    def read_document(filepath: str) -> str:
        """Lee un documento basándose en su extensión"""
        filepath = Path(filepath)
        extension = filepath.suffix.lower()

        readers = {
            '.txt': DocumentReader.read_txt,
            '.docx': DocumentReader.read_docx,
            '.rtf': DocumentReader.read_rtf,
            '.pdf': DocumentReader.read_pdf,
            '.doc': DocumentReader.read_doc,
        }

        if extension not in readers:
            raise ValueError(f"Formato de archivo no soportado: {extension}")

        try:
            return readers[extension](str(filepath))
        except Exception as e:
            raise RuntimeError(f"Error al leer {filepath}: {str(e)}")


class DocumentComparator:
    """Clase principal para comparar documentos"""

    def __init__(self):
        self.html_template = '''
<!DOCTYPE html>
<html lang="es">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Comparación de Documentos</title>
    <style>
        body {{
            font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
            line-height: 1.6;
            max-width: 1200px;
            margin: 0 auto;
            padding: 20px;
            background-color: #f5f5f5;
        }}

        .header {{
            background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
            color: white;
            padding: 30px;
            border-radius: 10px;
            margin-bottom: 30px;
            text-align: center;
        }}

        .header h1 {{
            margin: 0;
            font-size: 2.5em;
        }}

        .stats {{
            display: grid;
            grid-template-columns: repeat(auto-fit, minmax(200px, 1fr));
            gap: 20px;
            margin-bottom: 30px;
        }}

        .stat-card {{
            background: white;
            padding: 20px;
            border-radius: 10px;
            box-shadow: 0 2px 10px rgba(0,0,0,0.1);
            text-align: center;
        }}

        .stat-number {{
            font-size: 2em;
            font-weight: bold;
            color: #667eea;
        }}

        .legend {{
            background: white;
            padding: 20px;
            border-radius: 10px;
            margin-bottom: 30px;
            box-shadow: 0 2px 10px rgba(0,0,0,0.1);
        }}

        .legend-item {{
            display: inline-block;
            margin: 5px 15px;
            padding: 5px 10px;
            border-radius: 5px;
            font-weight: bold;
        }}

        .content {{
            background: white;
            padding: 30px;
            border-radius: 10px;
            box-shadow: 0 2px 10px rgba(0,0,0,0.1);
        }}

        .diff-content {{
            font-family: 'Courier New', monospace;
            line-height: 1.8;
            white-space: pre-wrap;
            word-wrap: break-word;
        }}

        .added {{
            background-color: #d4edda;
            color: #155724;
            border-left: 4px solid #28a745;
            padding: 2px 5px;
            margin: 2px 0;
        }}

        .removed {{
            background-color: #f8d7da;
            color: #721c24;
            border-left: 4px solid #dc3545;
            padding: 2px 5px;
            margin: 2px 0;
            text-decoration: line-through;
        }}

        .changed {{
            background-color: #fff3cd;
            color: #856404;
            border-left: 4px solid #ffc107;
            padding: 2px 5px;
            margin: 2px 0;
        }}

        .line-number {{
            color: #666;
            font-size: 0.9em;
            margin-right: 10px;
            user-select: none;
        }}
    </style>
</head>
<body>
    <div class="header">
        <h1>📄 Comparación de Documentos</h1>
        <p>Análisis detallado de diferencias entre documentos</p>
    </div>

    <div class="stats">
        <div class="stat-card">
            <div class="stat-number">{total_lines}</div>
            <div>Líneas Totales</div>
        </div>
        <div class="stat-card">
            <div class="stat-number">{added_lines}</div>
            <div>Líneas Añadidas</div>
        </div>
        <div class="stat-card">
            <div class="stat-number">{removed_lines}</div>
            <div>Líneas Eliminadas</div>
        </div>
        <div class="stat-card">
            <div class="stat-number">{similarity:.1f}%</div>
            <div>Similitud</div>
        </div>
    </div>

    <div class="legend">
        <h3>📋 Leyenda:</h3>
        <span class="legend-item added">+ Contenido añadido (Documento 2)</span>
        <span class="legend-item removed">- Contenido eliminado (Documento 1)</span>
        <span class="legend-item changed">~ Contenido modificado</span>
    </div>

    <div class="content">
        <h2>🔍 Diferencias Encontradas</h2>
        <div class="diff-content">
{diff_content}
        </div>
    </div>

    <div class="content" style="margin-top: 20px;">
        <h3>ℹ️ Información de Archivos</h3>
        <p><strong>Documento 1:</strong> {file1}</p>
        <p><strong>Documento 2:</strong> {file2}</p>
        <p><strong>Generado el:</strong> {timestamp}</p>
    </div>
</body>
</html>
        '''

    def normalize_text(self, text: str) -> List[str]:
        """Normaliza el texto para una mejor comparación"""
        # Normalizar espacios y saltos de línea
        text = re.sub(r'\r\n|\r', '\n', text)
        text = re.sub(r'\n+', '\n', text)
        text = text.strip()

        # Dividir en líneas y limpiar
        lines = text.split('\n')
        normalized_lines = []

        for line in lines:
            # Eliminar espacios extras pero mantener la estructura
            line = ' '.join(line.split())
            if line:  # Solo añadir líneas no vacías
                normalized_lines.append(line)

        return normalized_lines

    def generate_html_diff(self, lines1: List[str], lines2: List[str]) -> Tuple[str, dict]:
        """Genera un diff HTML con estadísticas"""
        differ = difflib.unified_diff(
            lines1, lines2,
            fromfile='Documento 1',
            tofile='Documento 2',
            lineterm=''
        )

        diff_content = []
        added_lines = 0
        removed_lines = 0
        line_number = 0

        for line in differ:
            line_number += 1
            escaped_line = html.escape(line)

            if line.startswith('+++') or line.startswith('---'):
                continue
            elif line.startswith('@@'):
                diff_content.append(f'<div class="line-number">Línea {line_number}</div>')
                continue
            elif line.startswith('+'):
                added_lines += 1
                content = escaped_line[1:].strip()
                diff_content.append(f'<div class="added">+ {content}</div>')
            elif line.startswith('-'):
                removed_lines += 1
                content = escaped_line[1:].strip()
                diff_content.append(f'<div class="removed">- {content}</div>')
            else:
                content = escaped_line.strip()
                if content:
                    diff_content.append(f'<div>{content}</div>')

        # Calcular similitud
        similarity = difflib.SequenceMatcher(None, lines1, lines2).ratio() * 100

        stats = {
            'total_lines': len(lines1) + len(lines2),
            'added_lines': added_lines,
            'removed_lines': removed_lines,
            'similarity': similarity
        }

        return '\n'.join(diff_content), stats

    def compare_documents(self, file1: str, file2: str, output_file: str = None) -> str:
        """Compara dos documentos y genera un reporte HTML"""
        print(f"🔍 Leyendo documento 1: {file1}")
        try:
            text1 = DocumentReader.read_document(file1)
        except Exception as e:
            raise RuntimeError(f"Error al leer {file1}: {str(e)}")

        print(f"🔍 Leyendo documento 2: {file2}")
        try:
            text2 = DocumentReader.read_document(file2)
        except Exception as e:
            raise RuntimeError(f"Error al leer {file2}: {str(e)}")

        print("⚙️ Normalizando textos...")
        lines1 = self.normalize_text(text1)
        lines2 = self.normalize_text(text2)

        print("🔄 Generando comparación...")
        diff_content, stats = self.generate_html_diff(lines1, lines2)

        # Generar nombre de archivo de salida si no se especifica
        if output_file is None:
            output_file = f"comparacion_{Path(file1).stem}_vs_{Path(file2).stem}.html"

        # Generar HTML final
        from datetime import datetime
        html_output = self.html_template.format(
            diff_content=diff_content,
            file1=os.path.basename(file1),
            file2=os.path.basename(file2),
            timestamp=datetime.now().strftime("%Y-%m-%d %H:%M:%S"),
            **stats
        )

        print(f"💾 Guardando reporte: {output_file}")
        with open(output_file, 'w', encoding='utf-8') as f:
            f.write(html_output)

        return output_file


def print_requirements():
    """Imprime los requisitos del sistema"""
    print("📋 Dependencias requeridas:")
    print("pip install python-docx pypandoc PyPDF2 striprtf")
    print("\nNota: Para archivos DOC también necesitas pandoc instalado en tu sistema")


def main():
    """Función principal del programa"""
    parser = argparse.ArgumentParser(
        description='Compara dos documentos y genera un reporte HTML con las diferencias',
        formatter_class=argparse.RawDescriptionHelpFormatter,
        epilog='''
Formatos soportados:
  .txt    - Texto plano
  .docx   - Microsoft Word (requiere python-docx)
  .doc    - Microsoft Word antiguo (requiere pandoc)
  .rtf    - Rich Text Format (requiere striprtf)
  .pdf    - PDF (requiere PyPDF2)

Ejemplos de uso:
  python comparador.py documento1.docx documento2.docx
  python comparador.py -o resultado.html archivo1.txt archivo2.txt
  python comparador.py --requirements  # Mostrar dependencias
        '''
    )

    parser.add_argument('file1', nargs='?', help='Primer documento a comparar')
    parser.add_argument('file2', nargs='?', help='Segundo documento a comparar')
    parser.add_argument('-o', '--output', help='Archivo de salida HTML')
    parser.add_argument('--requirements', action='store_true',
                       help='Mostrar dependencias requeridas')

    args = parser.parse_args()

    if args.requirements:
        print_requirements()
        return

    if not args.file1 or not args.file2:
        parser.print_help()
        return

    # Verificar que los archivos existen
    for filepath in [args.file1, args.file2]:
        if not os.path.exists(filepath):
            print(f"❌ Error: El archivo '{filepath}' no existe")
            return

    try:
        comparator = DocumentComparator()
        output_file = comparator.compare_documents(args.file1, args.file2, args.output)

        print(f"\n✅ Comparación completada exitosamente!")
        print(f"📄 Reporte generado: {output_file}")
        print(f"🌐 Abre el archivo HTML en tu navegador para ver los resultados")

    except Exception as e:
        print(f"❌ Error durante la comparación: {str(e)}")
        sys.exit(1)


if __name__ == '__main__':
    main()