billmetangmo

import unittest
from typing import List, Dict
from tqdm import tqdm

def distribute_elements(stream: List[int], servers: List[str], weights: List[int]) -> Dict[str, List[int]]:
    if len(servers) != len(weights):
        raise ValueError("The number of servers and weights must be the same.")
    
    total_weight = sum(weights)
    normalized_weights = [weight / total_weight for weight in weights]

billmetangmo

- op: add
  path: /Resources/HTTPSRulePriorityAction1
  value:
    Metadata:
      'aws:copilot:description': 'Custom resource assigning priority for the first HTTPS listener rule'
    DependsOn: HTTPSListenerRule
    Type: Custom::RulePriorityFunction
    Properties:
      ServiceToken: !GetAtt RulePriorityFunction.Arn
      RulePath: ["/"]

billmetangmo

import pandas as pd
import datetime
import re
import matplotlib.pyplot as plt

# Load the CSV file
df = pd.read_csv("/mnt/data/06-10-2023_10-10.csv")

# Function to convert status text to timedelta
def convert_to_timedelta_updated_with_weeks(text):

billmetangmo

import os
import pandas as pd
from slack_sdk import WebClient
from slack_sdk.errors import SlackApiError
import csv
from time import sleep

# Initialize Slack client with your token
client = WebClient(token="<SLACK_BOT_TOKEN>")

billmetangmo

from openpyxl import load_workbook
import csv
from collections import defaultdict, Counter

# Load the workbook
file_path = "Forum Gestion Entreprise Compta online.xlsx"
workbook = load_workbook(file_path)
sheet = workbook['Sheet1']

# Get the content of the "Droit pourquoi?" column

billmetangmo

import argilla as rg
from argilla.client.feedback.schemas.records import ResponseSchema, SuggestionSchema, ValueSchema

rg.init(
    api_url="http://localhost:6900",
    api_key="admin.apikey"
)

dataset = rg.FeedbackDataset(
    guidelines="Add some guidelines for the annotation team here.",

billmetangmo

Comment détecter les tableaux sur les pages de pdf scannés ?

Détecter les tableaux dans des pages de PDF scannés est un problème qui implique plusieurs étapes, car vous travaillez avec des images numérisées plutôt qu'avec du texte numérique. Voici une approche générale:

1. OCR (Reconnaissance optique de caractères) : La première étape consiste à utiliser une technologie OCR pour transformer les images numérisées en texte lisible par une machine. Il existe plusieurs outils qui peuvent faire cela, y compris Google's Vision API, Tesseract, Adobe's Acrobat, et d'autres. Notez que la qualité de la numérisation et la netteté de l'image peuvent affecter la précision de l'OCR.

2. Détection des tableaux : Une fois que vous avez du texte lisible par une machine, vous pouvez commencer à détecter les tableaux. Il s'agit souvent d'une tâche difficile, car les tableaux peuvent avoir des formats très différents. Vous pourriez envisager d'utiliser des expressions régulières pour détecter des motifs qui res

billmetangmo

import chardet

def guess_encoding(file):
    with open(file, 'rb') as f:
        result = chardet.detect(f.read())
    return result['encoding']

encoding = guess_encoding(csv_file)
df = pd.read_csv(csv_file, encoding=encoding)

billmetangmo

import urllib2
from bs4 import BeautifulSoup

url = "https://www.compta-online.com/oubli-de-facturation-facture-faite-posteriori-t72224#NULL"

response = urllib2.urlopen(url)
html = response.read()
soup = BeautifulSoup(html, 'html.parser')

# Find the input element with the name 'text'

billmetangmo

import urllib.request
import json

# Define the URL of the Flask service
service_url = "https://5000-mongulucm-mtchounmouh-h28ndlzaxu8.ws-eu99.gitpod.io/extract_text"

# Define the URL to be scraped
scrape_url = "https://www.compta-online.com/oubli-de-facturation-facture-faite-posteriori-t72224#NULL"

# Combine these into the full request URL