from pathlib import Path
from pdf2docx import Converter

# Определяем путь к директории с PDF файлами
pdf_dir = Path('pdf_files')
# Определяем путь к директории, куда будут сохранены DOCX файлы
docx_dir = Path('docx_files')

# Проверяем, существует ли директория для DOCX файлов
if not docx_dir.exists():
    # Если директория не существует, создаём её
    docx_dir.mkdir()

# Проходимся по всем PDF файлам в директории pdf_files
for pdf_file in pdf_dir.glob('*.pdf'):  # Используем метод glob для поиска всех файлов с расширением .pdf
    # Создаём путь для нового DOCX файла, заменяя расширение на .docx
    docx_file = docx_dir / pdf_file.with_suffix('.docx').name
    # Создаем экземпляр Converter для текущего PDF файла
    cv = Converter(pdf_file)
    # Конвертируем PDF файл в DOCX и сохраняем его по указанному пути
    cv.convert(docx_file)
    # Закрываем экземпляр Converter после завершения конвертации
    cv.close()

from bs4 import BeautifulSoup


def extract_tables_from_file(file_path):
    # Открываем файл по указанному пути в режиме чтения с кодировкой UTF-8
    with open(file_path, 'r', encoding='utf-8') as file:
        # Читаем содержимое файла и сохраняем его в переменной html
        html = file.read()
        
    # Создаем объект BeautifulSoup для парсинга HTML-кода
    soup = BeautifulSoup(html, 'html.parser')
    # Инициализируем пустой список для хранения извлеченных таблиц
    tables = []
    # Находим все элементы <table> в HTML-документе
    for table in soup.find_all('table'):
        # Инициализируем пустой список для хранения строк текущей таблицы
        rows = []
        # Находим все строки <tr> в текущей таблице
        for row in table.find_all('tr'):
            # Извлекаем текст из всех ячеек <td> и <th>, убирая лишние пробелы
            cells = [cell.get_text(strip=True) for cell in row.find_all(['td', 'th'])]
            # Добавляем список ячеек в список строк
            rows.append(cells)
        # Добавляем список строк в общий список таблиц
        tables.append(rows)
    # Возвращаем список всех извлеченных таблиц
    return tables


# Вызываем функцию и выводим результат для файла 'example.html'
print(extract_tables_from_file('example.html'))