Здравствуйте.
Есть банковские выписки в pdf файлах.
Несколько видов типа струтуры(до 5ти).
Все типы содержат текстовый слой, но не все библиотеки распознают текст корректно.
В случае возникновения сложности в извлечении текста, предлагаю подключить облачное распознавание ABBY finereader или opencv
https://github.com/abbyy/ocrsdk.com/tree/master/Python
https://support.abbyy.com/hc/en-us/articles/360017326319-Programming-languages-Quick-start-with-OCR-SDK-for-Python
https://support.abbyy.com/hc/en-us/articles/360017269420-api-reference
https://www.abbyy.com/cloud-ocr-sdk/documentation/
Выписки можно скачать по ссылке - https://www.dropbox.com/t/vcLLkeHW0I7P3RlO
В первую очередь интересует 2022.
Нужно извлечь из ПДФ информацию, структурировать и сохранить в CSV. Пример приложил.
Считывать все пдф из папки PDF(могут быть вложенные директории)
Каждую выписку сохранять в отдельный файл CSV с таким же именем, как и PDF. В папку CSV.
Стуртуру папок желательно сохранять, но не обязательно.
Каждая запись - отдельная строка.
Примечания:
- столбец D должен содержать только сумму без валюты;
- знак + не нужен для сумм больше 0;
- валюта должна быть в столбце E;
- столбец D должен содержать сумму в формате 3.15 вместо 3,15, например;
Требуется предоставление исходного кода.
Комментарии в коде и инструкции на английском языке.
