import gradio as gr import os import pandas as pd import pdfplumber import re import fitz # PyMuPDF import json """ Extract the text from a section of a PDF file between 'wanted_section' and 'next_section'. Parameters: - path (str): The file path to the PDF file. - wanted_section (str): The section to start extracting text from. - next_section (str): The section to stop extracting text at. Returns: - text (str): The extracted text from the specified section range. """ def get_section(path, wanted_section, next_section): print(wanted_section) # Open the PDF file doc = pdfplumber.open(io.BytesIO(path)) start_page = [] end_page = [] # Find the all the pages for the specified sections for page in range(len(doc.pages)): if len(doc.pages[page].search(wanted_section, return_chars=False, case=False)) > 0: start_page.append(page) if len(doc.pages[page].search(next_section, return_chars=False, case=False)) > 0: end_page.append(page) print(max(start_page)) print(max(end_page)) # Extract the text between the start and end page of the wanted section text = [] for page_num in range(max(start_page), max(end_page)+1): page = doc.pages[page_num] text.append(page.extract_text()) text = " ".join(text) new_text = text.replace("\n", " ") special_char_unicode_list = ["\u00e4", "\u00f6", "\u00fc", "\u00df"] special_char_replacement_list = ["ae", "oe", "ue", "ss"] for index, special_char in enumerate(special_char_unicode_list): final_text = new_text.replace(special_char, special_char_replacement_list[index]) return final_text def extract_between(big_string, start_string, end_string): # Use a non-greedy match for content between start_string and end_string pattern = re.escape(start_string) + '(.*?)' + re.escape(end_string) match = re.search(pattern, big_string, re.DOTALL) if match: # Return the content without the start and end strings return match.group(1) else: # Return None if the pattern is not found return None def format_section1(section1_text): result_section1_dict = {} result_section1_dict['TOPIC'] = extract_between(section1_text, "Sektor", "EZ-Programm") result_section1_dict['PROGRAM'] = extract_between(section1_text, "Sektor", "EZ-Programm") result_section1_dict['PROJECT DESCRIPTION'] = extract_between(section1_text, "EZ-Programmziel", "Datum der letzten BE") result_section1_dict['PROJECT NAME'] = extract_between(section1_text, "Modul", "Modulziel") result_section1_dict['OBJECTIVE'] = extract_between(section1_text, "Modulziel", "Berichtszeitraum") result_section1_dict['PROGRESS'] = extract_between(section1_text, "Zielerreichung des Moduls", "Massnahme im Zeitplan") result_section1_dict['STATUS'] = extract_between(section1_text, "Massnahme im Zeitplan", "Risikoeinschätzung") result_section1_dict['RECOMMENDATIONS'] = extract_between(section1_text, "Vorschläge zur Modulanpas-", "Voraussichtliche") return result_section1_dict def process_pdf(path): results_dict = {} results_dict["1. Kurzbeschreibung"] = \ get_section(path, "1. Kurzbeschreibung", "2. Einordnung des Moduls") """ results_dict["2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm"] = \ get_section(path, "2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm", "2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls") results_dict["2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm"] = \ get_section(path, "2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm", "2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls") results_dict["2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls"] = \ get_section(path, "2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls", "3. Entwicklungen im Interventionsbereich") results_dict["3. Entwicklungen im Interventionsbereich"] = \ get_section(path, "3. Entwicklungen im Interventionsbereich", "4.1 Bewertungen von Zielen, Zielgruppen, Wirkungshypothesen und Indikatoren") results_dict["4.1 Bewertungen von Zielen, Zielgruppen, Wirkungshypothesen und Indikatoren"] = \ get_section(path, "4.1 Bewertungen von Zielen, Zielgruppen, Wirkungshypothesen und Indikatoren", "4.2 Umgesetzte Maßnahmen / Aktivitäten während des Berichtszeitraums") results_dict["4.2 Umgesetzte Maßnahmen / Aktivitäten während des Berichtszeitraums"] = \ get_section(path, "4.2 Umgesetzte Maßnahmen / Aktivitäten während des Berichtszeitraums", "4.3 Umsetzung von Maßnahmen zur Sicherstellung der nachhaltigen Wirksamkeit") results_dict["4.3 Umsetzung von Maßnahmen zur Sicherstellung der nachhaltigen Wirksamkeit des Vorhabens"] = \ get_section(path, "4.3 Umsetzung von Maßnahmen zur Sicherstellung der nachhaltigen Wirksamkeit", "4.4 Laufzeit und Zeitplan") results_dict["4.4 Laufzeit und Zeitplan"] = \ get_section(path, "4.4 Laufzeit und Zeitplan", "4.5 Entstandene Kosten und Kostenverschiebungen") results_dict["4.5 Entstandene Kosten und Kostenverschiebungen"] = \ get_section(path, "4.5 Entstandene Kosten und Kostenverschiebungen", "4.6 Bewertung der Wirkungen und Risiken") results_dict["4.6 Bewertung der Wirkungen und Risiken"] = \ get_section(path, "4.6 Bewertung der Wirkungen und Risiken", "5. Übergeordnete Empfehlungen") results_dict["5.1 Empfehlungen und Merkposten für den Politik- und Schwerpunktdialog"] = \ get_section(path, "5.1 Empfehlungen und Merkposten für den Politik- und Schwerpunktdialog", "5.2 Lernerfahrungen, die für die Länderstrategie und zukünftige EZ-Programme") results_dict[ "5.2 Lernerfahrungen, die für die Länderstrategie und zukünftige EZ-Programme interessant sein könnten"] = \ get_section(path, "5.2 Lernerfahrungen", "6. Testat") results_dict["6. Testat (TZ)"] = \ get_section(path, "6. Testat", "Anlage 1: Wirkungsmatrix des Moduls") """ # print(results_dict) result_section1_dict = format_section1(results_dict.get("1. Kurzbeschreibung")) # print(result_section1_dict) """ def get_first_page_text(path): doc = pdfplumber.open(io.BytesIO(path)) if len(doc.pages): return doc.pages[0].extract_text() """ # Define the Gradio interface # iface = gr.Interface(fn=get_first_page_text, iface = gr.Interface(fn=process_pdf, inputs=gr.File(type="binary", label="Upload PDF"), outputs=gr.Textbox(label="Extracted Text"), title="PDF Text Extractor", description="Upload a PDF file to extract all its text.") iface.launch()