Python-сообщество

Всем привет, недавно начал изучать python и еще всего не знаю, но есть вопрос, о возможности реализации задуманного.

Могу ли я вытянуть из PDF нужную мне информацию, преобразовать и передать в другой файл или вывести на экран. Для примера вот суть:

С помощью PyPDF2 достаю текст из PDF.

 >>> import PyPDF2
>>> pdfFileObj = open('my.pdf','rb')
>>> pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
>>> pageObj = pdfReader.getPage(0)
>>> P1 = pageObj.extractText()
"€111 Some Ct, Some Nice Twp, ST 888881.8 miResidentialExterior: Brick Exterior, Shingle Exterior, Pitched Roof, Shingle Roof, Fencing, Sidewalks, Street Lights, Deck, Patio, Front Yard, Rear Yard, Side Yard(s), No Swimming Pool Ł Utilities: (1)Central Air, (2)Gas Heating, Hot Air......"
>>> pageObj = pdfReader.getPage(1)
>>> P2 = pageObj.extractText()
>>> P2
"€222 Some Ct, Some Nice Twp, ST 999991.8 miResidentialExterior: Brick Exterior, Shingle Exterior, Pitched Roof, Shingle Roof, Fencing, Sidewalks, Street Lights, Deck, Patio, Front Yard, Rear Yard, Side Yard(s), In-Ground Swimming Pool Ł Utilities: (1)No Air Condidioning, (2)Oil Heating, Hot Air......"

 >>> A1ad = '111 Some ct'
>>>A1tw = 'Some Nice Twp'
>>>A1st = 'ST'
>>>A1zp = 88888
>>>A1pool = 'No Swimming Pool'
>>>A1util = {A:'Central Air',  H:'Gas Heating'}

Отредактировано Acamori (Апрель 11, 2017 13:52:50)

Часть задачи к примеру с ‘No Swimming Pool’ и A1util = {A:'Central Air', H:'Gas Heating'} можно решить слегка громоздкими проверками if и else. Но вот для вытяжки некоторых уникальных значений не нашел способа.

Acamori
Подойдет ли тут стандартное форматирование строки или же модуль re ?

  
>>> import re
>>> 
>>> s = '€111 Some Ct, Some Nice Twp, ST 888881.8 miResidentialExterior:'
>>> 
>>> pat = r'^€(.*?),\s*(.*?),\s*(\S*)\s*(\d*)'
>>> 
>>> match = re.search(pat, s)
>>> if match is not None:
...     a, b, c, d = match.groups()
...     (a, b, c, d)
... 
('111 Some Ct', 'Some Nice Twp', 'ST', '888881')
>>>

Отредактировано py.user.next (Апрель 11, 2017 16:45:59)

py.user.next
Лучше будет использовать re. Сначала достаёшь все строки, а потом их присваиваешь нужным переменным.

Acamori
Беда в том, что PyPDF2 достает весь текст единой строкой

Acamori
а требуемые уникальные объекты могут располагаться по всей строке, как в начале, так и в середине

Acamori
Подойдет в таком случае этот метод ?

Отредактировано py.user.next (Апрель 12, 2017 02:36:10)

py.user.next
py.user.next

Отредактировано Acamori (Апрель 12, 2017 08:14:14)

Acamori
Буду дальше штудировать мануалы

Отредактировано py.user.next (Апрель 12, 2017 11:14:36)

py.user.next
Тут надо алгоритм составить, мануалы по питону в этом не помогут. Потому что сначала нужно определить, что нужно сделать, чтобы всё правильно вытащить (по каким признакам искать и так далее), а уже потом, когда это определено, надо думать, как реализовать это на питоне (и вот тогда пригодится документация к питону, где все средства описаны). А само собой оно не будет работать, потому что питон - это инструмент. Если у тебя есть молоток и пила, это ещё не значит, что они сами приготовят детали и соберут табуретку.

Отредактировано Acamori (Апрель 12, 2017 11:48:28)

Acamori
Ну я больше к тому, что мне надо больше понять как работать с модулем re, что б начать подбирать алгоритм выборки и соответствия.

Acamori
И пока еще не определил для себя наилучший способ разбития единой строки в несколько разных, так как в PDF'ах длина ее может различаться.

Отредактировано py.user.next (Апрель 12, 2017 15:04:38)

py.user.next
Ты должен сначала все строки выбрать скопом, чтобы отвязаться от pdf-формата. И вот когда у тебя будет текст, вытащенный из pdf, тогда и надо его разбирать (написать функцию разбора текста).

 P1 = pageObj.extractText()
"€111 Some Ct, Some Nice Twp, ST 888881.8 miResidentialExterior: Brick Exterior, ......."

Отредактировано Acamori (Апрель 12, 2017 16:00:32)