Document Processor

Document Processor Skill

Proposito

Processa documentos empresariais com qualidade production-grade:

• PDF: Extracao de texto/tabelas, OCR para escaneados, merge, split
• XLSX: Leitura de dados, validacao de formulas, criacao de relatorios
• DOCX: Extracao de texto, tracked changes, criacao profissional

Principios de Design

1. Validation-First

Sempre validar ANTES de processar. Coletar TODOS os erros antes de reportar.

2. Multi-Tool Strategy

• Extracao: Python (pdfplumber, openpyxl, python-docx)
• Validacao: CLI (LibreOffice headless, pdftotext)
• OCR: tesseract-ocr

3. Zero-Error Policy

Planilhas e documentos criados devem ter ZERO erros de formula ou formatacao.

Comandos

/doc-extract {arquivo}

Extrai texto e dados de um documento.

/doc-extract requirements.pdf
/doc-extract financials.xlsx
/doc-extract spec.docx

Output: Texto estruturado, tabelas em formato markdown, metadados.

/doc-validate {arquivo}

Valida integridade do documento.

/doc-validate report.xlsx  # Verifica formulas
/doc-validate contract.docx  # Verifica formatacao

Output: JSON com status e erros encontrados.

/doc-create {tipo} {nome}

Cria documento profissional a partir de template.

/doc-create xlsx requirement-matrix
/doc-create docx technical-spec

Tipos suportados:

• xlsx: Planilha com formatacao profissional
• docx: Documento Word com estilos padrao

Workflow de Extracao

PDF

# 1. Detectar tipo (texto vs escaneado)
# 2. Extrair com pdfplumber (texto) ou OCR (escaneado)
# 3. Preservar layout e tabelas
# 4. Retornar estruturado

python scripts/extract_pdf.py input.pdf --output json

XLSX

# 1. Abrir com openpyxl
# 2. Iterar sheets e celulas
# 3. Preservar formulas como metadata
# 4. Validar com LibreOffice headless

python scripts/process_xlsx.py input.xlsx --mode extract
python scripts/process_xlsx.py input.xlsx --mode validate

DOCX

# 1. Abrir com python-docx
# 2. Extrair paragrafos, tabelas, headers
# 3. Detectar tracked changes (OOXML)
# 4. Preservar estrutura

python scripts/process_docx.py input.docx --mode extract

Validacao de Planilhas

Tipos de Erros Detectados

Output de Validacao

{
  "status": "errors_found",
  "total_errors": 3,
  "errors": [
    {"cell": "B5", "type": "#REF!", "formula": "=A1+Sheet2!Z99"},
    {"cell": "C10", "type": "#DIV/0!", "formula": "=A10/B10"},
    {"cell": "D15", "type": "#VALUE!", "formula": "=SUM(D1:D14)"}
  ],
  "suggestions": [
    "B5: Verifique se Sheet2!Z99 existe",
    "C10: B10 esta vazio ou zero",
    "D15: Range contem valores nao-numericos"
  ]
}

Tracked Changes (DOCX)

Detectar Alteracoes

# Tracked changes estao em tags OOXML:
# <w:ins> = insercao
# <w:del> = delecao
# <w:rPrChange> = mudanca de formatacao

python scripts/process_docx.py contract.docx --mode changes

Output

{
  "has_tracked_changes": true,
  "changes": [
    {
      "type": "insertion",
      "author": "John Doe",
      "date": "2026-01-10T14:30:00Z",
      "text": "novo texto inserido"
    },
    {
      "type": "deletion",
      "author": "Jane Smith",
      "date": "2026-01-11T09:15:00Z",
      "text": "texto removido"
    }
  ]
}

Dependencias

Obrigatorias (Python)

pip install pdfplumber openpyxl python-docx pandas

Opcionais (Sistema)

# PDF avancado
apt install poppler-utils

# OCR para PDFs escaneados
apt install tesseract-ocr

# Validacao de formulas XLSX
apt install libreoffice

Verificar Instalacao

python scripts/validate.py --check-deps

Integracao com SDLC

Boas Praticas

1. Sempre validar antes de processar - Use /doc-validate primeiro
2. Preferir extracao estruturada - Tabelas como arrays, nao texto
3. Preservar metadados - Autor, data, versao
4. Reportar todos os erros - Nao falhar no primeiro erro
5. Usar templates padronizados - Para documentos criados

Troubleshooting

PDF nao extrai texto

# Verificar se e escaneado
pdftotext input.pdf - | head -20

# Se vazio, usar OCR
python scripts/extract_pdf.py input.pdf --ocr

XLSX com formulas quebradas

# Validar formulas
python scripts/process_xlsx.py input.xlsx --mode validate

# Listar todas as formulas
python scripts/process_xlsx.py input.xlsx --mode formulas

DOCX corrompido

# Tentar reparar via LibreOffice
libreoffice --headless --convert-to docx input.docx

Referencias

• pdfplumber documentation
• openpyxl documentation
• python-docx documentation
• OOXML Spec