Skip to content
The Chat Archive
gpt-4o-2024-08-06· OpenAI WildChat-4.8M (AI2)

usiamo PyMuPDF invece di PyPDF2 ; mi trasformi il codice: import pandas as pd import re…

  1. 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)

  2. 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 PyMuPDF
    

    Di 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 fitz invece di from PyPDF2 import PdfReader.
    • Estrazione del Testo: Utilizza fitz.open per aprire il PDF e page.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.

  3. 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

  4. 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.