A földhivatal fájljából adatok kinyerése

eredmeny.txt

Ebből indulva https://pastebin.com/raw/nPbzGFmu
az eredmény:

Szakasz: Tulajdonosi adatok
{'Tul.hányad': '1/2', 'Szerz.jogcím': 'adásvétel', 'Név': 'Gipsz Csaba', 'Anyja neve': 'Próba Katalin', 'Jogállás': 'tulajdonos', 'Cím': '4965 MINTA, Kölcsey utca 105'}
{'Tul.hányad': '1/2', 'Szerz.jogcím': 'adásvétel', 'Név': 'Gipsz Csabáné', 'Szül.név': 'Gipsz Éva', 'Anyja neve': 'Minta Borbála', 'Jogállás': 'tulajdonos', 'Cím': '4965 MINTA, Kölcsey utca 105'}
Szakasz: Jogok-tények jogosultjai
{'Jog-tény neve': 'Önálló szöveges bejegyzés', 'Szöveg': 'Lakcímváltozás átvezetése.'}
{'Jog-tény neve': 'Jelzálogjog', 'Név': 'MAGYAR ÁLLAM', 'Cím': '-,'}
{'Jog-tény neve': 'Elidegenítési és terhelési tilalom', 'Név': 'MAGYAR ÁLLAM', 'Cím': '-,', 'Utalások': 'III/14'}
{'Jog-tény neve': 'Jelzálogjog', 'Név': 'MAGYAR ÁLLAM', 'Cím': '-,', 'Szöveg': '2. zálogjogi ranghely  - 5 évre -'}
{'Jog-tény neve': 'Elidegenítési és terhelési tilalom', 'Név': 'MAGYAR ÁLLAM', 'Cím': '-,', 'Utalások': 'III/16'}

parse_foldhiv.py

import re
import string
from typing import Callable


def get_sections(text_lines: list[str], get_start_ends: Callable = None) -> list[str]:
    if get_start_ends is None:
        get_start_ends = get_section_start_ends
    start_ends = get_start_ends(text_lines)
    return [text_lines[start:end+1] for start, end in start_ends]


def get_subsections(section: list[str]) -> list[str]:
    return get_sections(section, get_start_ends=get_subsection_start_ends)


def get_data(subsection: list[str]) -> dict:
    result = {}
    for line in subsection[1:]:
        sline = line.strip()
        if sline:
            split = line.split(":")
            if len(split) == 2:
                key, value = split
                result[key.strip()] = value.strip()
    return result


def get_subsection_start_ends(text_lines: list[str]) -> list[tuple[int, int]]:
    starts = [i for i, line in enumerate(text_lines) if re.match(r"\s+Sorszám:", line)]
    start_ends = [(i, j-1) for i, j in zip([None] + starts, starts + [len(text_lines)])][1:]
    return start_ends


def get_section_start_ends(text_lines: list[str]) -> list[tuple[int, int]]:
    starts = [i for i, line in enumerate(text_lines) if re.match("   [A-Z]", line)]
    last_start = starts[-1]
    finish_bar_index = next(filter(lambda x: x[0] > last_start and re.match(r"\s+____", x[1]), enumerate(text_lines)))[0]
    start_ends = [(i, j-1) for i, j in zip([None] + starts, starts + [finish_bar_index])][1:]
    return start_ends


def main():
    text_lines = open("foldhiv.txt").read().splitlines()
    sections = get_sections(text_lines)
    for section in sections:
        print(f"Szakasz: {section[0].strip()}")
        for sorszamozott in get_subsections(section):
            print(get_data(sorszamozott))


if __name__ == '__main__':
    main()

test_foldhiv.py

from parse_foldhiv import get_section_start_ends, get_sections, get_subsection_start_ends, get_subsections

text_lines = """
   Tulajdonosi adatok
          Sorszám: 9      Bejegyzõ határozat: 150089/4/2020.03.03
          Tul.hányad: 1/2                      
          Szerz.jogcím: adásvétel
          Név: Gipsz Csaba 
          Szül.idõ: 1979.12.30  Szül.hely: Fehérgyarmat
          Anyja neve: Próba Katalin 
          Jogállás: tulajdonos
          Cím: 4965 MINTA, Kölcsey utca 105
 
          Sorszám: 10      Bejegyzõ határozat: 150089/4/2020.03.03
          Tul.hányad: 1/2                      
          Szerz.jogcím: adásvétel
          Név: Gipsz Csabáné 
          Szül.név: Gipsz Éva 
          Szül.idõ: 1978.07.13  Szül.hely: Fehérgyarmat
          Anyja neve: Minta Borbála 
          Jogállás: tulajdonos
          Cím: 4965 MINTA, Kölcsey utca 105
   
   Jogok-tények jogosultjai
          Sorszám: 5      Bejegyzõ határozat: 38712/2005.12.20
          Jog-tény neve: Önálló szöveges bejegyzés
          Szöveg:  Lakcímváltozás átvezetése.
   
          Sorszám: 14      Bejegyzõ határozat: 154041/2/2021.05.14
          Jog-tény neve: Jelzálogjog
          erejéig 
          Név: MAGYAR ÁLLAM
          Cím:  -, 
          Szöveg:  1. zálogjogi ranghely - CSOK - Képviseli: SZ-SZ-B. MEGYEI KORMÁNYHIVATAL  
          CSALÁDTÁMOGATÁSI ÉS TÁRSADALOMBIZTOSÍTÁSI FÕOSZTÁLY EGÉSZSÉBIZTOSÍTÁSI 
          NYILVÁNTARTÁSI ÉS  LAKÁSTÁMOGATÁSI OSZTÁLY  (4400 Nyíregyháza, Vörösmarty tér 
          7.)

 _________
""".splitlines()


def test_get_section_start_ends():
    assert get_section_start_ends(text_lines) == [(1, 20), (21, 35)]


def test_get_subsection_start_ends():
    subsec1, *others = get_sections(text_lines)
    assert get_subsection_start_ends(subsec1) == [(1, 9), (10, 19)]


def test_get_sections():
    sections = get_sections(text_lines)
    assert len(sections) == 2
    sec1, sec2 = sections
    assert sec1[0] == '   Tulajdonosi adatok'
    assert sec1[-2] == '          Cím: 4965 MINTA, Kölcsey utca 105'
    assert sec2[0] == '   Jogok-tények jogosultjai'
    assert sec2[-2] == '          7.)'


def test_get_subsections():
    sections = get_sections(text_lines)
    subsecs = get_subsections(sections[0])

    assert len(subsecs) == 2
    subsec1, subsec2 = subsecs
    assert subsec1[0] == '          Sorszám: 9      Bejegyzõ határozat: 150089/4/2020.03.03'
    assert subsec1[-2] == '          Cím: 4965 MINTA, Kölcsey utca 105'
    assert subsec2[0] == '          Sorszám: 10      Bejegyzõ határozat: 150089/4/2020.03.03'
    assert subsec2[-2] == '          Cím: 4965 MINTA, Kölcsey utca 105'