usiamo PyMuPDF invece di PyPDF2 ; mi trasformi il codice: import pandas as pd import re…
- User
usiamo PyMuPDF invece di PyPDF2 ; mi trasformi il codice: import pandas as pd import re from PyPDF2 import PdfReader
def extract_text_from_pdf(file_path): # Leggi il file PDF reader = PdfReader(file_path) text = '' for page in reader.pages: text += page.extract_text() + '\n' return text
def parse_and_format_to_df(text): sections = text.strip().split("\n\n") data = []
for section in sections: lines = section.strip().split("\n") if not lines: # Skip empty sections continue header = lines[0] for line in lines[1:]: match = re.match(r"(\d{2})\.(\d{2})\.(\d{2}) - (.+)", line) if match: code = match.group(1) + match.group(2) + match.group(3) description = match.group(4).strip() data.append([header, code, description]) return pd.DataFrame(data, columns=["Section", "Code", "Description"])def save_to_csv(df, output_path): # Salva il DataFrame nel formato CSV df.to_csv(output_path, index=False, sep=';')
Esempio di utilizzo
file_path = r'C:\Users\Utente\Desktop\riconcilia\Allegato2.pdf' # Sostituisci con il percorso al tuo file output_csv_path = 'elenco_attivita_economiche.csv' pdf_text = extract_text_from_pdf(file_path) df_entries = parse_and_format_to_df(pdf_text) save_to_csv(df_entries, output_csv_path)
- Assistant
Per utilizzare PyMuPDF (conosciuto anche come
fitz) al posto di PyPDF2, dovrai modificare il codice in modo da usare i metodi appropriati per estrarre testo dai PDF. Ecco come puoi fare:Innanzitutto, assicurati di avere installato PyMuPDF, puoi installarlo utilizzando il comando:
pip install PyMuPDFDi seguito trovi il codice aggiornato:
import pandas as pd import re import fitz # PyMuPDF def extract_text_from_pdf(file_path): # Apri il file PDF with fitz.open(file_path) as doc: text = '' for page in doc: text += page.get_text() + '\n' return text def parse_and_format_to_df(text): sections = text.strip().split("\n\n") data = [] for section in sections: lines = section.strip().split("\n") if not lines: # Skip empty sections continue header = lines[0] for line in lines[1:]: match = re.match(r"(\d{2})\.(\d{2})\.(\d{2}) - (.+)", line) if match: code = match.group(1) + match.group(2) + match.group(3) description = match.group(4).strip() data.append([header, code, description]) return pd.DataFrame(data, columns=["Section", "Code", "Description"]) def save_to_csv(df, output_path): # Salva il DataFrame nel formato CSV df.to_csv(output_path, index=False, sep=';') # Esempio di utilizzo file_path = r'C:\Users\Utente\Desktop\riconcilia\Allegato2.pdf' # Sostituisci con il percorso al tuo file output_csv_path = 'elenco_attivita_economiche.csv' pdf_text = extract_text_from_pdf(file_path) df_entries = parse_and_format_to_df(pdf_text) save_to_csv(df_entries, output_csv_path)Modifiche principali:
- Importazione del Modulo: Usa
import fitzinvece difrom PyPDF2 import PdfReader. - Estrazione del Testo: Utilizza
fitz.openper aprire il PDF epage.get_text()per estrarre il testo da ciascuna pagina.
Questo codice dovrebbe funzionare bene per estrarre il testo da un PDF utilizzando PyMuPDF. Assicurati che il percorso del file PDF e il formato dei dati nel PDF corrispondano a quello che stai cercando di estrarre.
- Importazione del Modulo: Usa
- User
il codice sbaglia l'estrazione. il file pdf è strutturato cosi: Allegato n. 2 ELENCO ATTIVITÀ ECONOMICHE PER LE QUALI ELABORARE GLI INDICI SINTETICI DI AFFIDABILITÀ FISCALE PER IL PERIODO D’IMPOSTA 2023 DD02U 10.73.00 - Produzione di paste alimentari, di cuscus e di prodotti farinacei simili 10.85.05 - Produzione di piatti pronti a base di pasta
l'estrazione deve diventare così codice_isa; codice_Ateco;descrizione DD02U;107300;Produzione di paste alimentari, di cuscus e di prodotti farinacei simili DD02U;108505 ;Produzione di piatti pronti a base di pasta
- Assistant
Poiché il tuo PDF ha una struttura specifica e desideri estrarre i dati in un formato preciso, dobbiamo aggiornare la funzione per l'analisi del testo in modo da gestire esattamente questo formato. Ecco come puoi farlo:
Il PDF sembra contenere un codice ISA seguito da righe con un codice Ateco e una descrizione. Adatterò il codice per estrarre queste informazioni nel formato desiderato.
import pandas as pd import re import fitz # PyMuPDF def extract_text_from_pdf(file_path): # Apri il file PDF with fitz.open(file_path) as doc: text = '' for page in doc: text += page.get_text() + '\n' return text def parse_and_format_to_df(text): lines = text.strip().split("\n") data = [] current_isa_code = None # Pattern regex per il codice Ateco e descrizione ateco_pattern = re.compile(r"(\d{2})\.(\d{2})\.(\d{2}) - (.+)") for line in lines: line = line.strip() if re.match(r"^[A-Z0-9]{5}$", line): # Se la linea è un codice ISA current_isa_code = line elif current_isa_code and ateco_pattern.match(line): # Se la linea contiene un codice Ateco e descrizione match = ateco_pattern.match(line) if match: ateco_code = match.group(1) + match.group(2) + match.group(3) description = match.group(4).strip() data.append([current_isa_code, ateco_code, description]) return pd.DataFrame(data, columns=["codice_isa", "codice_Ateco", "descrizione"]) def save_to_csv(df, output_path): # Salva il DataFrame nel formato CSV df.to_csv(output_path, index=False, sep=';') # Esempio di utilizzo file_path = r'C:\Users\Utente\Desktop\riconcilia\Allegato2.pdf' # Sostituisci con il percorso al tuo file output_csv_path = 'elenco_attivita_economiche.csv' pdf_text = extract_text_from_pdf(file_path) df_entries = parse_and_format_to_df(pdf_text) save_to_csv(df_entries, output_csv_path)Spiegazione:
- Estrarre Codice ISA: Identifico i codici ISA usando l'espressione
^[A-Z0-9]{5}$, che corrisponde a un codice di 5 caratteri alfanumerici. - Estrarre Codice Ateco e Descrizione: Uso un'espressione regolare per rilevare il formato dei codici Ateco (xx.xx.xx) e la descrizione che segue.
- Memorizzare e Accumulare i Dati: Accumulo i dati in una lista di liste per creare successivamente il DataFrame di pandas.
Assicurati che la struttura del tuo PDF corrisponda a quella prevista, dato che questo codice è stato scritto per gestire un formato specifico indicato nel tuo esempio.
- Estrarre Codice ISA: Identifico i codici ISA usando l'espressione