>백엔드 개발 >파이썬 튜토리얼 ># | PDF 데이터 추출 자동화: 빌드

# | PDF 데이터 추출 자동화: 빌드

Barbara Streisand
Barbara Streisand원래의
2024-12-15 11:06:11646검색

개요

PDF 데이터 추출 비즈니스 로직을 작업 코드로 변환하는 Python 스크립트를 작성했습니다.

이 스크립트는 10개월 동안(2024년 1월부터 10월까지) 관리인 명세서 PDF 71페이지에서 테스트되었습니다. PDF 처리를 완료하는 데 약 4초가 걸렸습니다. 수동으로 처리하는 것보다 훨씬 빠릅니다.

# | Automate PDF data extraction: Build

제가 보기에는 출력이 올바르고 코드에 오류가 발생하지 않은 것 같습니다.

아래에는 세 가지 CSV 출력의 스냅샷이 나와 있습니다. 민감한 데이터는 회색으로 표시되어 있습니다.

스냅샷 1: 보유 주식

# | Automate PDF data extraction: Build

스냅샷 2: 펀드 보유

# | Automate PDF data extraction: Build

스냅샷 3: 현금 보유

# | Automate PDF data extraction: Build

이 워크플로는 CSV 파일을 생성하기 위해 수행한 광범위한 단계를 보여줍니다.

# | Automate PDF data extraction: Build

이제 비즈니스 로직을 파이썬으로 코드로 변환하는 방법을 좀 더 자세히 설명하겠습니다.

1단계: PDF 문서 읽기

pdfplumber의 open() 함수를 사용했습니다.

# Open the PDF file
with pdfplumber.open(file_path) as pdf:

file_path는 pdfplumber에게 어떤 파일을 열 것인지 알려주는 선언된 변수입니다.

2.0단계: 각 페이지에서 테이블 추출 및 필터링

extract_tables() 함수는 각 페이지에서 모든 테이블을 추출하는 힘든 작업을 수행합니다.

기본 논리에 대해 잘 알지는 못하지만 기능이 꽤 잘 작동했다고 생각합니다. 예를 들어, 아래 두 스냅샷은 추출된 테이블과 원본(PDF에서)을 보여줍니다

스냅샷 A: VS Code 터미널의 출력

# | Automate PDF data extraction: Build

스냅샷 B: PDF 표

# | Automate PDF data extraction: Build

그런 다음 나중에 특정 테이블에서 데이터를 "선택"할 수 있도록 각 테이블에 고유하게 레이블을 지정해야 했습니다.

이상적인 옵션은 각 테이블의 제목을 사용하는 것이었습니다. 하지만 제목 좌표를 결정하는 것은 제 능력 밖의 일이었습니다.

해결 방법으로 처음 세 열의 헤더를 연결하여 각 테이블을 식별했습니다. 예를 들어 스냅샷 BStock Holdings 테이블에는 Stocks/ETFsnNameExchangeQuantity

라는 레이블이 지정되어 있습니다.

⚠️이 접근 방식에는 심각한 단점이 있습니다. 처음 세 개의 헤더 이름이 모든 테이블을 충분히 고유하게 만들지는 못합니다. 다행히 이는 관련 없는 테이블에만 영향을 미칩니다.

2.1단계: 표가 아닌 텍스트 추출, 필터링 및 변환

필요한 특정 값인 계좌 번호 및 명세서 날짜는 각 PDF의 1페이지에 있는 하위 문자열이었습니다.

예를 들어 "계좌 번호 M1234567"에는 계좌 번호 "M1234567"이 포함됩니다.

# | Automate PDF data extraction: Build

Python의 re 라이브러리를 사용하고 ChatGPT를 통해 적합한 정규식("regex")을 제안했습니다. 정규식은 각 문자열을 두 그룹으로 나누고 두 번째 그룹에는 원하는 데이터를 넣습니다.

명세서 날짜 및 계좌 번호 문자열에 대한 정규식

# Open the PDF file
with pdfplumber.open(file_path) as pdf:

다음으로 명세서 날짜를 "yyyymmdd" 형식으로 변환했습니다. 이렇게 하면 데이터를 더 쉽게 쿼리하고 정렬할 수 있습니다.

regex_date=r'Statement for \b([A-Za-z]{3}-\d{4})\b'
regex_acc_no=r'Account Number ([A-Za-z]\d{7})'

match_date는 정규식과 일치하는 문자열이 발견되었을 때 선언되는 변수입니다.

3단계: 표 형식 데이터 만들기

이 시점에서 관련 데이터 포인트를 추출하는 하드 야드가 거의 완료되었습니다.

다음으로 pandas의 DataFrame() 함수를 사용하여 2단계3단계의 출력을 기반으로 테이블 형식의 데이터를 생성했습니다. 불필요한 열과 행을 삭제하는 데에도 이 기능을 사용했습니다.

최종 결과를 쉽게 CSV에 기록하거나 데이터베이스에 저장할 수 있습니다.

4단계: CSV 파일에 데이터 쓰기

Python의 write_to_csv() 함수를 사용하여 각 데이터프레임을 CSV 파일에 기록했습니다.

 if match_date:
    # Convert string to a mmm-yyyy date
    date_obj=datetime.strptime(match_date.group(1),"%b-%Y")
    # Get last day of the month
    last_day=calendar.monthrange(date_obj.year,date_obj.month[1]
    # Replace day with last day of month
    last_day_of_month=date_obj.replace(day=last_day)
    statement_date=last_day_of_month.strftime("%Y%m%d")

df_cash_selected는 Cash Holdings 데이터 프레임이고 file_cash_holdings는 Cash Holdings CSV의 파일 이름입니다.

➡️ 데이터베이스 노하우를 습득한 후 적절한 데이터베이스에 데이터를 작성하겠습니다.

다음 단계

이제 관리인 명세서 PDF에서 테이블 및 텍스트 데이터를 추출하기 위한 작업 스크립트가 준비되었습니다.

계속 진행하기 전에 스크립트가 예상대로 작동하는지 확인하기 위해 몇 가지 테스트를 실행하겠습니다.

--종료

위 내용은 # | PDF 데이터 추출 자동화: 빌드의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

성명:
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.