Парсинг текстових PDF з таблицями

Привіт Артем, можу допомогти вам у вашому завданні з виведенням даних у потрібному форматі для подальшої обробки. Буду чекати вашого повідомлення.

Показати оригінал

Перекласти

Доброго дня, Артеме. Є готове рішення з веб-інтерфейсом, що дозволяє завантажити таблиці у форматі pdf та спарсити їх. Програма відмінно працює на вашому прикладі, після парсингу з даними можна зручно працювати на Python

Показати оригінал

Перекласти

Добрий день!
Переглянула ваш зразок PDF. Пропоную такий підхід:

Екстракція таблиць

Основний інструмент: pdfplumber (стабільний текстовий витяг).

Фallback для складних сіток: camelot/tabula-py у режимі lattice/stream.

… Автоматичний пошук маркерів секцій: “ECU SUMMARY INFO”, “ECU DETAILS” (працює на різних сторінках/позиціях).

Нормалізація

Об’єднання розбитих рядків, прибирання переносів та зайвих пробілів.

Коректне злиття багаторядкових осередків і стовпців.

Вирівнювання назв параметрів NAME=VALUE у ECU DETAILS.

Єдина модель даних

{
"vin": "...",
"publication_date": "...",
"summary": [
{"ecu":"ABS","name":"Anti Lock Brakes","bus_type":"CAN-CH", "flash_part":"...", "current_vin":"...", "original_vin":"...", "part":"..."},
...
],
"details": [
{"ecu":"ABS","params":{"Param1":"Value1","Param2":"Value2", ...}},
...
]
}


Експорт у CSV/Excel (окремі аркуші Summary / Details) та/або SQLite.

Контроль якості

Валідації (обов’язкові колонки, кількість рядків, унікальні ECU).

Логи й невеликі unit-тести, щоб легко підтримувати процес.

Результат: відтворюваний скрипт + інструкція запуску, готові файли (JSON/CSV/Excel/SQLite).
Готова виконати за 3–4 дні. Вартість — узгодимо після уточнення формату фінального вивантаження та можливих нюансів розмітки інших PDF.



Дякую!
Алла

Пропонований технічний підхід
1. Інструменти та бібліотеки:

PyMuPDF (fitz) або pdfplumber для екстракції тексту з PDF
pandas для структурування табличних даних
re (regex) для ідентифікації шаблонів та парсингу форматів NAME=VALUE
Нестандартні функції для об'єднання та нормалізації даних

2. Архітектура рішення:
…
Функція, що ідентифікує секції на основі "упертих" написів
Парсер для основних таблиць з автоматичним виявленням кількості записів
Модуль, що об'єднує дані з обох основних таблиць
Парсер для секції ECU DETAILS з гнучким форматом NAME=VALUE
Генератор динамічного об'єкта (словник/DataFrame) з повною структурою даних

3. Функціональності:

Обробка різної кількості записів у таблицях
Гнучке позиціонування таблиць у документі
Валідація та очищення даних
Експорт у формати, що полегшують подальшу роботу (JSON, CSV, pickle)

Мій досвід
Маю досвід у:

Обробці документів PDF з використанням Python
Парсингу та структуруванні даних з різних форматів
Роботі з бібліотеками pandas, numpy та інструментами для аналізу даних
Створенні масштабованих рішень для автоматизації обробки документів

Пропоную:
✅ Комплексне рішення - готовий скрипт Python з документацією
✅ Гнучкість - код, що адаптується до різних структур документів
✅ Якість коду - зрозумілий, коментований код з обробкою помилок
✅ Тести - приклади використання та валідація на наданих файлах
✅ Підтримка - допомога при впровадженні та можливі модифікації

Готовий розпочати роботу негайно.

Показати оригінал

Перекласти

Якщо треба потім працювати легко на Python в ідеалі парсити у БД наприклад SQL Lite , якщо хочете можу спарсити у xlsx формат Exel. Напишіть мені для обговорення можу виконати даний фукціонал.

Привіт!
Я підготував повністю робоче рішення для вашого завдання.

🔹 Скрипт **parse\_ecu\_pdf.py** написаний на Python і робить саме те, що ви описали:

* Читає PDF (як локальний, так і за посиланням) через PyMuPDF.
* Знаходить таблиці **ECU SUMMARY INFO** та **ECU SUMMARY INFO (CONT...)**, парсить їх по рядках.
* Знаходить блоки **ECU DETAILS** і збирає пари `NAME=VALUE`.
* Об'єднує все в динамічний об'єкт: кожен рядок summary автоматично доповнюється словником `details`.
…
🔹 На виході виходить готова JSON-структура, з якою зручно працювати в Python.

📌 Використання:

```bash
python parse_ecu_pdf.py path/to/your_ecu_report.pdf
```

На екран виводиться JSON з даними по кожному ECU.

Скрипт універсальний — кількість рядків у таблицях може бути будь-якою, а розташування таблиць (на початку чи в кінці PDF) не має значення.

Готовий підключитися і допомогти вам з запуском, тестами на вашому PDF і будь-якими доопрацюваннями.

Показати оригінал

Перекласти

Доброго дня, Artem!
В цілому завдання зрозуміле, для точного відповіді по термінам і ціні, хотілося б уточнити деякі питання, які у мене виникли після аналізу вашого завдання.
Пишіть у приватні повідомлення — обговоримо деталі та ваші побажання.
P.S Орієнтуюсь на ваш бюджет, але думаю, що зможу вписатися в меншу суму — після уточнення деталей запропоную точну цифру.

Показати оригінал

Перекласти

Доброго дня, готовий виконати ваше завдання як практику з навчання, пишіть в особисті повідомлення, проговоримо всі деталі всі деталі

Показати оригінал

Перекласти

Привіт!

Я можу створити інструмент на Python, який читає ваші PDF-файли, знаходить таблиці ECU SUMMARY незалежно від їх розташування у файлі та об'єднує їх в один повний набір даних. Одразу після цього скрипт також збереться таблиці ECU DETAILS і зв'яже кожен набір параметрів NAME=VALUE з потрібною записом ECU. Таким чином, ви отримаєте один чистий об'єкт, що об'єднує всю інформацію і який можна використовувати безпосередньо в Python або перетворити в DataFrame для аналізу.

Я не буду залежати від номерів сторінок або фіксованих позицій. Натомість скрипт буде шукати довідкові мітки та назви розділів, тому він буде працювати навіть при зміні макета або кількості записів. Остаточна структура буде гнучкою, простою для запитів і експорту в JSON або CSV для подальшого використання.

Дякую!

Показати оригінал

Перекласти

Вітаю, Артем!

Я - Python розробник, маю багато досвіду у роботі з PDF.
В якому форматі вам буде зручно працювати на виході?

Пишіть, обговоримо ваш проект!

З повагою,
Андрій

Добрий вечір. Працював з пдф, і робив подібне завдання. Але на пхп, під впс на Лінукс. Там є нюанси, не знаю як у вас, але іноді таблиці не йдуть послідовно, і тоді це буде не просто. Треба пробувати.

Показати оригінал

Перекласти

Добрий вечір, Артем. Займаюся автоматизацією на Python. Можу розробити для Вас парсер з необхідним функціоналом, як один з варіантів, після обробки функція буде повертати список словників []{} з якими Ви зможете працювати далі в коді. Якщо зацікавило - пишіть, з радістю обговорю деталі.

Показати оригінал

Перекласти

Привіт.
Є досвід автоматичного витягування даних з pdf
Можемо обговорити

Показати оригінал

Перекласти

Добрий день! 👋

Я уважно ознайомився з вашим завданням.
Можу виконати швидко та повністю під ваші вимоги.
Є кілька моментів, які хотів би уточнити.

Готовий почати одразу після узгодження деталей.

Доброго дня!
Мене звати Роман, і я входжу до топ-6 розробників у категорії «Штучний інтелект і машинне навчання» серед ~1600 фахівців на платформі.
Гарантую:
- Швидке та якісне виконання завдання
- Чітке дотримання дедлайнів
- Регулярний зв’язок протягом усього процесу
Буду радий обговорити деталі вашого проекту у приватних повідомленнях.

Я вже завершив ваше завдання—я можу це продемонструвати.

Показати оригінал

Перекласти