Odczyt PDFa i ponowne ustrukturyzowanie danych

Odczyt PDFa i ponowne ustrukturyzowanie danych
AB
  • Rejestracja:ponad 4 lata
  • Ostatnio:12 miesięcy
  • Postów:18
1

Cześć,

Mam taki problem. Mam PDFa z raportem i jest w nim dużo tabelek oraz danych nagłówkowych poprzedzających dane w tabelach itp. PDF jest przeszukiwalny. Po zaznaczeniu całego tekstu (czy odczytaniu go itextem) otrzymuję 100% treści, ale zbitej do jednej kupy. Poniżej załączam zanonimizowany przykład - raport BIK (pliki mam różne, z różnych systemów, bez dostępu do API tych systemów)

Czy istnieją jakieś narzędzia, które przyspieszą strukturyzowanie tych danych? W sensie przywrócą tabele, pozwolą jakoś szybko się do nich odnosić (poszczególnych komórek). Wiem, że mogę to zacząć robić np. regexem, ale jest z tym dużo dłubaniny. Można przepuścić taki dokument przez jakiś zaawansowany OCR, ucząc go wcześniej szablonu tego dokumentu, ale zakładam, że OCR może popełnić błąd, a zaznaczenie tekstu nigdy oraz tego typu OCR to po prostu drogie rozwiązanie.

Czemu te dane chcę strukturyzować? Bo taki raport może mieć parędziesiąt stron i chcę te dane później przetwarzać, np. wypluć info o sumie wszystkich kredytów z instytucji BANK BANK, albo łącznej ilość dni opóźnienia dla wszystkich kredytów itd.

Szukam narzędzia/sposobu, o którym może nie wiem, że w ogóle istnieje.

Plik:

screenshot-20201028131024.png

To co odczytuje z niego np. itextem:

Kopiuj
Informacje szczegółowe
BANK BANK
Zobowiązanie: Kredyt niecelowy oraz kredyt
studencki
Z dnia: 11.11.2019
Pierwotna kwota Suma zaległości Kwota raty Historia spłacania Ostatnia płatność
988.988 PLN 988 PLN 988 PLN
Relacja
do zobowiązania
Kwota kredytu z odsetkami Kwota
do spłaty
Status
zobowiązania
Pożyczkobiorca 988.988 PLN 988.988 PLN Otwarty
Historia spłaty
Data Do spłaty Suma zaległości Liczba dni opóźnienia
16.12.2020 988.988 PLN 988 PLN 2
13.12.2020 988.988 PLN 0 0
09.12.2020 988.988 PLN 988 PLN 2
06.12.2020 988.988 PLN 988 PLN 2
02.12.2020 988.988 PLN 988 PLN 2
maniutek20
  • Rejestracja:prawie 14 lat
  • Ostatnio:około 15 godzin
  • Postów:138
1

PDF to jest taki jakby kontener, a dane w nim to kolejne kontenery. To co dostajesz jako wynik np

Kopiuj
09.12.2020 988.988 PLN 988 PLN 2

to zawartość jednego z takich "kontenerów". W związku z tym że w pliku PDF można umieścić wszystko odtwarzanie tabelki przez OCRy (a większość narzędzi na rynku opiera się o tą technikę) rzadko się udaje. Jeżeli danych masz dużo to przygotuj się na masę pracy przy poprawianiu błędów. Np w wierszach

Kopiuj
16.12.2020 988.988 PLN 988 PLN 2
13.12.2020 988.988 PLN 0 0

zniknęło drugie PLN i już leżymy. Jedyna sensowna metoda to regexy lub napisanie jakiejś funkcji parsującej te dane


quidquid Latine dictum sit, altum videtur
Kliknij, aby dodać treść...

Pomoc 1.18.8

Typografia

Edytor obsługuje składnie Markdown, w której pojedynczy akcent *kursywa* oraz _kursywa_ to pochylenie. Z kolei podwójny akcent **pogrubienie** oraz __pogrubienie__ to pogrubienie. Dodanie znaczników ~~strike~~ to przekreślenie.

Możesz dodać formatowanie komendami , , oraz .

Ponieważ dekoracja podkreślenia jest przeznaczona na linki, markdown nie zawiera specjalnej składni dla podkreślenia. Dlatego by dodać podkreślenie, użyj <u>underline</u>.

Komendy formatujące reagują na skróty klawiszowe: Ctrl+B, Ctrl+I, Ctrl+U oraz Ctrl+S.

Linki

By dodać link w edytorze użyj komendy lub użyj składni [title](link). URL umieszczony w linku lub nawet URL umieszczony bezpośrednio w tekście będzie aktywny i klikalny.

Jeżeli chcesz, możesz samodzielnie dodać link: <a href="link">title</a>.

Wewnętrzne odnośniki

Możesz umieścić odnośnik do wewnętrznej podstrony, używając następującej składni: [[Delphi/Kompendium]] lub [[Delphi/Kompendium|kliknij, aby przejść do kompendium]]. Odnośniki mogą prowadzić do Forum 4programmers.net lub np. do Kompendium.

Wspomnienia użytkowników

By wspomnieć użytkownika forum, wpisz w formularzu znak @. Zobaczysz okienko samouzupełniające nazwy użytkowników. Samouzupełnienie dobierze odpowiedni format wspomnienia, zależnie od tego czy w nazwie użytkownika znajduje się spacja.

Znaczniki HTML

Dozwolone jest używanie niektórych znaczników HTML: <a>, <b>, <i>, <kbd>, <del>, <strong>, <dfn>, <pre>, <blockquote>, <hr/>, <sub>, <sup> oraz <img/>.

Skróty klawiszowe

Dodaj kombinację klawiszy komendą notacji klawiszy lub skrótem klawiszowym Alt+K.

Reprezentuj kombinacje klawiszowe używając taga <kbd>. Oddziel od siebie klawisze znakiem plus, np <kbd>Alt+Tab</kbd>.

Indeks górny oraz dolny

Przykład: wpisując H<sub>2</sub>O i m<sup>2</sup> otrzymasz: H2O i m2.

Składnia Tex

By precyzyjnie wyrazić działanie matematyczne, użyj składni Tex.

<tex>arcctg(x) = argtan(\frac{1}{x}) = arcsin(\frac{1}{\sqrt{1+x^2}})</tex>

Kod źródłowy

Krótkie fragmenty kodu

Wszelkie jednolinijkowe instrukcje języka programowania powinny być zawarte pomiędzy obróconymi apostrofami: `kod instrukcji` lub ``console.log(`string`);``.

Kod wielolinijkowy

Dodaj fragment kodu komendą . Fragmenty kodu zajmujące całą lub więcej linijek powinny być umieszczone w wielolinijkowym fragmencie kodu. Znaczniki ``` lub ~~~ umożliwiają kolorowanie różnych języków programowania. Możemy nadać nazwę języka programowania używając auto-uzupełnienia, kod został pokolorowany używając konkretnych ustawień kolorowania składni:

```javascript
document.write('Hello World');
```

Możesz zaznaczyć również już wklejony kod w edytorze, i użyć komendy  by zamienić go w kod. Użyj kombinacji Ctrl+`, by dodać fragment kodu bez oznaczników języka.

Tabelki

Dodaj przykładową tabelkę używając komendy . Przykładowa tabelka składa się z dwóch kolumn, nagłówka i jednego wiersza.

Wygeneruj tabelkę na podstawie szablonu. Oddziel komórki separatorem ; lub |, a następnie zaznacz szablonu.

nazwisko;dziedzina;odkrycie
Pitagoras;mathematics;Pythagorean Theorem
Albert Einstein;physics;General Relativity
Marie Curie, Pierre Curie;chemistry;Radium, Polonium

Użyj komendy by zamienić zaznaczony szablon na tabelkę Markdown.

Lista uporządkowana i nieuporządkowana

Możliwe jest tworzenie listy numerowanych oraz wypunktowanych. Wystarczy, że pierwszym znakiem linii będzie * lub - dla listy nieuporządkowanej oraz 1. dla listy uporządkowanej.

Użyj komendy by dodać listę uporządkowaną.

1. Lista numerowana
2. Lista numerowana

Użyj komendy by dodać listę nieuporządkowaną.

* Lista wypunktowana
* Lista wypunktowana
** Lista wypunktowana (drugi poziom)

Składnia Markdown

Edytor obsługuje składnię Markdown, która składa się ze znaków specjalnych. Dostępne komendy, jak formatowanie , dodanie tabelki lub fragmentu kodu są w pewnym sensie świadome otaczającej jej składni, i postarają się unikać uszkodzenia jej.

Dla przykładu, używając tylko dostępnych komend, nie możemy dodać formatowania pogrubienia do kodu wielolinijkowego, albo dodać listy do tabelki - mogłoby to doprowadzić do uszkodzenia składni.

W pewnych odosobnionych przypadkach brak nowej linii przed elementami markdown również mógłby uszkodzić składnie, dlatego edytor dodaje brakujące nowe linie. Dla przykładu, dodanie formatowania pochylenia zaraz po tabelce, mogłoby zostać błędne zinterpretowane, więc edytor doda oddzielającą nową linię pomiędzy tabelką, a pochyleniem.

Skróty klawiszowe

Skróty formatujące, kiedy w edytorze znajduje się pojedynczy kursor, wstawiają sformatowany tekst przykładowy. Jeśli w edytorze znajduje się zaznaczenie (słowo, linijka, paragraf), wtedy zaznaczenie zostaje sformatowane.

  • Ctrl+B - dodaj pogrubienie lub pogrub zaznaczenie
  • Ctrl+I - dodaj pochylenie lub pochyl zaznaczenie
  • Ctrl+U - dodaj podkreślenie lub podkreśl zaznaczenie
  • Ctrl+S - dodaj przekreślenie lub przekreśl zaznaczenie

Notacja Klawiszy

  • Alt+K - dodaj notację klawiszy

Fragment kodu bez oznacznika

  • Alt+C - dodaj pusty fragment kodu

Skróty operujące na kodzie i linijkach:

  • Alt+L - zaznaczenie całej linii
  • Alt+, Alt+ - przeniesienie linijki w której znajduje się kursor w górę/dół.
  • Tab/⌘+] - dodaj wcięcie (wcięcie w prawo)
  • Shit+Tab/⌘+[ - usunięcie wcięcia (wycięcie w lewo)

Dodawanie postów:

  • Ctrl+Enter - dodaj post
  • ⌘+Enter - dodaj post (MacOS)