|
import os |
|
import pandas as pd |
|
import pdfplumber |
|
import re |
|
import fitz |
|
import json |
|
|
|
files = [f for f in os.listdir("/Users/andreeabodea/") if f.endswith(".pdf")] |
|
print(files) |
|
|
|
""" |
|
Extract the text from a section of a PDF file between 'wanted_section' and 'next_section'. |
|
Parameters: |
|
- path (str): The file path to the PDF file. |
|
- wanted_section (str): The section to start extracting text from. |
|
- next_section (str): The section to stop extracting text at. |
|
Returns: |
|
- text (str): The extracted text from the specified section range. |
|
""" |
|
def get_section(path, wanted_section, next_section): |
|
print(wanted_section) |
|
|
|
|
|
doc = pdfplumber.open(path) |
|
start_page = [] |
|
end_page = [] |
|
|
|
|
|
for page in range(len(doc.pages)): |
|
if len(doc.pages[page].search(wanted_section, return_chars = False, case = False)) > 0: |
|
start_page.append(page) |
|
if len(doc.pages[page].search(next_section, return_chars = False, case = False)) > 0: |
|
end_page.append(page) |
|
print(max(start_page)) |
|
print(max(end_page)) |
|
|
|
|
|
text = [] |
|
for page_num in range(max(start_page), max(end_page)): |
|
page = doc.pages[page_num] |
|
text.append(page.extract_text()) |
|
text = " ".join(text) |
|
new_text = text.replace("\n", " ") |
|
special_char_unicode_list = ["\u00e4", "\u00f6", "\u00fc", "\u00df"] |
|
special_char_replacement_list = ["ae", "oe", "ue", "ss"] |
|
for index, special_char in enumerate(special_char_unicode_list): |
|
final_text = new_text.replace(special_char, special_char_replacement_list[index]) |
|
return final_text |
|
|
|
for file in files: |
|
|
|
print("for each pdf file...") |
|
path = "/Users/andreeabodea/" + file |
|
pdf = pdfplumber.open(path) |
|
print(path) |
|
|
|
results_dict = {} |
|
results_dict["2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm"] = \ |
|
get_section(path, "2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm", "2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls") |
|
results_dict["2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm"] = \ |
|
get_section(path,"2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm", "2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls") |
|
results_dict["2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls"] = \ |
|
get_section(path, "2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls", "3. Entwicklungen im Interventionsbereich") |
|
results_dict["3. Entwicklungen im Interventionsbereich"] = \ |
|
get_section(path, "3. Entwicklungen im Interventionsbereich", "4.1 Bewertungen von Zielen, Zielgruppen, Wirkungshypothesen und Indikatoren") |
|
results_dict["4.1 Bewertungen von Zielen, Zielgruppen, Wirkungshypothesen und Indikatoren"] = \ |
|
get_section(path, "4.1 Bewertungen von Zielen, Zielgruppen, Wirkungshypothesen und Indikatoren", "4.2 Umgesetzte Maßnahmen / Aktivitäten während des Berichtszeitraums") |
|
results_dict["4.2 Umgesetzte Maßnahmen / Aktivitäten während des Berichtszeitraums"] = \ |
|
get_section(path, "4.2 Umgesetzte Maßnahmen / Aktivitäten während des Berichtszeitraums", "4.3 Umsetzung von Maßnahmen zur Sicherstellung der nachhaltigen Wirksamkeit") |
|
results_dict["4.3 Umsetzung von Maßnahmen zur Sicherstellung der nachhaltigen Wirksamkeit des Vorhabens"] = \ |
|
get_section(path, "4.3 Umsetzung von Maßnahmen zur Sicherstellung der nachhaltigen Wirksamkeit", "4.4 Laufzeit und Zeitplan") |
|
results_dict["4.4 Laufzeit und Zeitplan"] = \ |
|
get_section(path, "4.4 Laufzeit und Zeitplan", "4.5 Entstandene Kosten und Kostenverschiebungen") |
|
results_dict["4.5 Entstandene Kosten und Kostenverschiebungen"] = \ |
|
get_section(path, "4.5 Entstandene Kosten und Kostenverschiebungen", "4.6 Bewertung der Wirkungen und Risiken") |
|
results_dict["4.6 Bewertung der Wirkungen und Risiken"] = \ |
|
get_section(path, "4.6 Bewertung der Wirkungen und Risiken", "5. Übergeordnete Empfehlungen") |
|
results_dict["5.1 Empfehlungen und Merkposten für den Politik- und Schwerpunktdialog"] = \ |
|
get_section(path, "5.1 Empfehlungen und Merkposten für den Politik- und Schwerpunktdialog", "5.2 Lernerfahrungen, die für die Länderstrategie und zukünftige EZ-Programme") |
|
results_dict["5.2 Lernerfahrungen, die für die Länderstrategie und zukünftige EZ-Programme interessant sein könnten"] = \ |
|
get_section(path, "5.2 Lernerfahrungen", "6. Testat") |
|
results_dict["6. Testat (TZ)"] = \ |
|
get_section(path, "6. Testat", "Anlage 1: Wirkungsmatrix des Moduls") |
|
|
|
print(results_dict) |
|
|
|
json_string = json.dumps(results_dict, indent=4) |
|
print(json_string) |