Начнем с идеи. Допустим, вы, как настоящий аудитор, хотите провести экспертизу отчетности заводчика собак, используя в том числе и сторонние ресурсы. Для этого вы пробуете получить систематизированную информацию о щенках заводчика, зная, к примеру, лишь название их пород, и составить из нее таблицу в Pandas, пригодную к дальнейшей обработке любого характера (всевозможные статистические изыскания, агрегация и так далее). Но ваши данные хранятся в глубине некоторого абстрактного вебсайта, откуда вы можете вынуть их в только виде архива, где сложены документы нескольких форматов, внутри которых есть текст, картинки, таблицы. А если пород щенков много, а на каждую из них есть по десятку pdf-файлов с таблицами, откуда вам нужна не вся информация, а также, например, нужны названия этих таблиц или сноски? Добавим в наш проект несколько функций, решающих следующие задачи: выгрузка и распаковка архива с данными, поиск и обработка pdf файлов из архива, анализ полученных данных.
Для начала импортируем все необходимое. Разделим библиотеки, нужные нам, на системные:
import osimport reimport globimport csvimport shutil
и внешние, требующие установки (pip install, как я и говорил):
import requests as reqimport pandas as pdfrom zipfile import ZipFileimport tabulaimport PyPDF2from pdf2image import convert_from_pathfrom pytesseract import image_to_stringfrom PIL import Image, ImageDraw
Теперь для каждого вашего щеночка скачаем большой архив с данными, обратившись к сайту по названию его породы:
def get_doquments_archive(breed): url = 'https://yourwebsite' + breed + '/document/download' with req.get(url, stream=True) as r: r.raise_for_status() with open('/Users/user/Desktop/' + breed + '.zip', 'wb') as f: for chunk in r.iter_content(chunk_size=8192): f.write(chunk)
Теперь у нас есть архив на рабочем столе. Распакуем его, для этого нам понадобится знать всего лишь путь к файлу с архивом:
def unzipper(zippath, cond = False): dirpath = zippath[:-4] + '_package' if os.path.exists(dirpath) and os.path.isdir(dirpath):shutil.rmtree(dirpath)os.mkdir(dirpath)with ZipFile(zippath, 'r') as zipObj:zipObj.extractall(path = dirpath)
На этом шаге мы получим папку с документами, где могут быть pdf, csv, xls, png и другие приятные штуки. Допустим, мы желаем обработать несколько pdf файлов, содержащих таблицы с данными. Но как их оттуда вынуть? Для начала выделим из папки документы нужного нам формата:
all_pdfs = glob.glob(dirpath + '/*_pd*.pdf')
Отлично. Теперь у нас есть набор файлов, внутри которых есть текст и таблицы. При попытке вынуть оттуда информацию может оказаться, что такую смесь инструменты распознают очень криво, особенно если таблицы склеены друг с другом, а их заголовки или сноски отдельно стоящий текст. На помощь приходит tabula! Но для начала вынем из первой страницы каждого документа немного текстового описания, не входящего в таблицу (такой текст для tabula может быть проблемой). Поскольку на первой странице также может быть таблица, воспользуемся фокусом:
def get_text_description(path):pdfFileObj = open(path,'rb')pdfReader = PyPDF2.PdfFileReader(pdfFileObj)pages = convert_from_path(declar, 0)page = pages[0]pname = '/Users/user/Desktop/text_description.png'page.save(pname, 'JPEG')text = image_to_string(Image.open('/Users/user/Desktop/text_description.png'), lang = 'rus')text_file = open('res', "w")text_file.write(text)text_file.close()
Теперь начнем работать с таблицей. Если повезет, и таблица в нашем pdf вполне читемая, tabula корректно выгрузит ее в формате csv, таким образом, информацию даже не придется парсить:
tabula.convert_into(file, 'output_file.csv', output_format = "csv", pages = 'all')
Посмотрите, как теперь может быть просто получить, например, данные о характере выбранного щенка:
data = pd.read_csv('/Users/user/Desktop/output_file.csv')temperament = data[data['Порода'] == 'Цвергшнауцер']['Характер']
Но если автор текста склеил таблицы между собой, добавил в строки разное количество столбцов или перемешал их с текстом? Тогда мы приведем полученный от tabula файл в новый формат:
def get_table_data(path): data = [] with open(path) as csvfile:reader = csv.DictReader(csvfile)for row in reader:for val in row.values():data.append(val)data = str(data)data = re.sub('\]|\[|,|\'', '', data)data = data.replace("\\n", "")return data
Для чего? Это позволит искать нужную информацию быстро и безболезненно с помощью регулярных выражений. Хотим найти набор возможных цветов породы:
def get_colors(data): res = re.search('^Цвета: (.*)', data).group(1) return res
Теперь мы накопили некоторое количество информации из файлов по одному щенку (допустим, характер, цвета, масса). Добавим ее в pandas dataframe как новую строку:
def append_new_row(dataframe, breed, temperament, colors, weight): return dataframe.append({'Порода': breed,'Характер': temperament,'Цвета': colors,'Масса' : weight}, ignore_index=True)
Что мы теперь имеем:
Итак, мы выгрузили с сайта архив с данными, распаковали его, вынули нужные нам документы, достали из них важную информацию и привели ее к удобному формату. Теперь эти данные можно сравнивать с предоставляемыми компанией, преобразовывать и анализировать, а также многое другое! Гораздо удобнее, чем качать и выписывать вручную.
def clean_all(path):os.remove(path + '.zip')shutil.rmtree(path + '_package')
Важно, чтобы ваши действия оставались полностью законными. Забирать данные с сайтов можно, красть контент нельзя. Качать автоматически можно, класть сервер нельзя. Изучайте авторские права и УК РФ, не наносите ущерб.