キャッシュレス消費者還元事業の一覧抽出

dump.py

import re

# pdftotext kameiten_touroku_list.pdf でtxt化して読み込む

lines = [];
with open("kameiten_touroku_list.txt",'r', encoding="utf8", errors='ignore') as f:
    lines = f.readlines()

regex = r'^[0-9,]+\s[北海道|青森|岩手|宮城|秋田|山形|福島|茨城|栃木|群馬|埼玉|千葉|東京|神奈川|新潟|富山|石川|福井|山梨|長野|岐阜|静岡|愛知|三重|滋賀|京都|大阪|兵庫|奈良|和歌山|鳥取|島根|岡山|広島|山口|徳島|香川|愛媛|高知|福岡|佐賀|長崎|熊本|大分|宮崎|鹿児島|沖縄]'
pattern = re.compile(regex)

for line in enumerate(lines):
    match = pattern.match(line[1])
    if match :
        i = line[0]
        print(line[1].replace(' ', '\t').replace('\n','').replace('\r',''), end='\t')
        print(lines[i+2].replace('\n','').replace('\r',''), end='\t')
        print(lines[i+4].replace('\n','').replace('\r',''), end='\t')
        print(lines[i+6].replace('\n','').replace('\r',''), end='\t')
        print(lines[i+8].replace('\n','').replace('\r',''), end='\t')
        return_per = lines[i+10].replace('\n','').replace('\r','')
        if re.match('[0-9]+%', return_per):
            print(return_per, end='\t')
        print('') # 改行

だいたいできて満足した

$ python dump.py > dump.txt
$ head dump.
$ head dump.txt
1	北海道	愛別町	セブン－イレブン愛別町店	小売業	食料品	2%
2	北海道	愛別町	伊藤新聞販売所	小売業	その他小売	5%
3	北海道	愛別町	三愛自動車工業株式会社	その他業種	ー	5%
4	北海道	赤平市	赤平	小売業	ガソリンスタンド	2%
5	北海道	赤平市	赤平平岸ＳＳ	小売業	ガソリンスタンド	2%
6	北海道	赤平市	セブン－イレブン赤平文京町店	小売業	食料品	2%
7	北海道	赤平市	セブン－イレブン赤平茂尻店	小売業	食料品	2%
8	北海道	赤平市	出光茂尻ＳＳ	小売業	ガソリンスタンド	2%
9	北海道	赤平市	海鮮居食屋暖らん	サービス	飲食業	5%
10	北海道	赤平市	株式会社菱友 赤平支店	小売業	その他小売	5%

PDF自体はここから入手

• https://cashless.go.jp/consumer/index.html