detect more pdf parser styles

This commit is contained in:
Tobias Brunner 2018-01-16 09:16:36 +01:00
parent 86fd6bca18
commit dc403b9dd7
2 changed files with 40 additions and 12 deletions

View File

@ -73,6 +73,7 @@ class PDFHandling:
# search some well-known words for later positional computation
try:
index_einsatzauftragfw = splited.index('Einsatzauftrag Feuerwehr')
index_erfasser = splited.index('Erfasser')
index_auftrag = splited.index('Auftrag')
index_bemerkungen = splited.index('Bemerkungen')
@ -80,27 +81,56 @@ class PDFHandling:
index_einsatz = splited.index('Einsatz')
index_hinweis = splited.index('Hinweis')
index_maps = splited.index('Google Maps')
except IndexError:
except ValueError:
self.logger.error('[%s] PDF file does not look like a Einsatzausdruck', f_id)
return False
# the PDF parsing not always produces the same output
# let's define the already known output
if index_bemerkungen == 6:
self.logger.info('[%s] Found Bemerkungen on line 6', f_id)
# get length of bemerkungen field
# it lives between the line which contains 'Bemerkungen' and
# the line 'Disponierte Einheiten'
length_bemerkungen = index_auftrag - index_bemerkungen - 1
erfasser = splited[index_dispo - 2]
auftrag = splited[index_erfasser + 2]
datum = splited[index_erfasser + 3]
zeit = splited[index_erfasser + 4]
einsatz = splited[index_einsatz - 6]
sondersignal = splited[index_einsatz - 5]
ort = splited[index_einsatz - 3]
strasse = splited[index_einsatz - 2]
# sometimes there is just a phone number for the field melder but on
# the second line, so the lines vary for erfasser and melder
if index_dispo - index_erfasser == 10:
melder = splited[index_dispo - 4] + ', ' + splited[index_dispo - 3]
else:
melder = splited[index_dispo - 4]
elif index_bemerkungen == 21 or index_bemerkungen == 22:
# BMA style
elif index_bemerkungen == 20:
self.logger.info('[%s] Found Bemerkungen on line 20', f_id)
length_bemerkungen = index_dispo - index_bemerkungen - 1
erfasser = splited[index_bemerkungen - 2]
auftrag = splited[index_einsatzauftragfw + 2]
datum = splited[index_einsatzauftragfw + 3]
zeit = splited[index_einsatzauftragfw + 4]
einsatz = splited[index_einsatz + 6]
sondersignal = splited[index_einsatz + 7]
ort = splited[index_einsatz + 9]
strasse = splited[index_einsatz + 10]
melder = 'BMA' # There is no melder on a BMA Einsatzausdruck
elif index_bemerkungen == 21 or index_bemerkungen == 22:
self.logger.info('[%s] Found Bemerkungen on line 21 or 22', f_id)
length_bemerkungen = index_dispo - index_bemerkungen - 1
erfasser = splited[index_bemerkungen - 2]
auftrag = splited[index_erfasser + 2]
datum = splited[index_erfasser + 3]
zeit = splited[index_erfasser + 4]
einsatz = splited[index_einsatz - 6]
sondersignal = splited[index_einsatz - 5]
ort = splited[index_einsatz - 3]
strasse = splited[index_einsatz - 2]
if index_bemerkungen - index_erfasser == 10:
melder = splited[index_bemerkungen - 4] + ', ' + splited[index_bemerkungen - 3]
else:
@ -110,15 +140,12 @@ class PDFHandling:
return False
# sanity check to see if we can correlate the f_id
auftrag = splited[index_erfasser + 2]
if f_id == auftrag:
self.logger.info('[%s] ID matches in PDF', f_id)
else:
self.logger.error('[%s] ID does not match in PDF: "%s"', f_id, auftrag)
return False
# try to find out if there is a hinweis
# if yes, the difference between the indexes is 4, else it's shorter
if index_maps - index_hinweis == 4:
@ -128,8 +155,8 @@ class PDFHandling:
data = {
'auftrag': auftrag,
'datum': splited[index_erfasser + 3],
'zeit': splited[index_erfasser + 4],
'datum': datum,
'zeit': zeit,
'melder': melder,
'erfasser': erfasser,
'bemerkungen': self.concatenate_to_multiline_string(
@ -137,10 +164,10 @@ class PDFHandling:
index_bemerkungen + 1,
index_bemerkungen + length_bemerkungen
).rstrip(),
'einsatz': splited[index_einsatz - 6],
'sondersignal': splited[index_einsatz - 5],
'ort': splited[index_einsatz - 3].title(),
'strasse': splited[index_einsatz - 2].title(),
'einsatz': einsatz,
'sondersignal': sondersignal,
'ort': ort.title(),
'strasse': strasse.title(),
#'objekt': splited[],
'hinweis': hinweis,
}

View File

@ -5,7 +5,6 @@ from pathlib import Path
from library.pdf_extract import PDFHandling
PATH = '/tmp/pylokid'
PATH = '/home/tobru/tmp/pylokid/Einsatzausdruck_FW'
logging.basicConfig(
level=logging.INFO,
@ -16,5 +15,7 @@ PDF = PDFHandling()
for path in Path(PATH).glob('**/*.pdf'):
file = str(path)
print(file)
f_id = re.search('.*(F[0-9]{8})_.*', file).group(1)
print(f_id)
pprint(PDF.extract_einsatzausdruck(file, f_id))