Python PDF utililties

report_avangard_transit.py

# coding=utf8
"""
Генератор CSV отчета из PDF отчетов банка Авангард о поступлении средств на
транзитный валютный счет. 

По умолчанию читает из стандартного ввода данные извлеченные из PDF при помощи
textpdf.py утилиты.

Генерируемый CSV отчет печатается в стандартный вывод и включает следующие колонки:
* date - дата получения средств
* doc  - номер уведомления
* usd  - полученная сумма в долларах
* xchg - курс обмена на дату получения
* rub  - полученная сумма в рублях
"""
import csv
import re

from decimal import Decimal


ACCOUNT = ''  # заменить на свой номер счета \d{21}\s{1}\d{2}

rx = re.compile(
	"(?P<prefix>\d+)\t(?P<date>\d{2}/\d{2}/\d{2}) (?P<doc>\d+)\t" + \
	ACCOUNT + "\t(?P<dollars>[^0][\d ]+\.\d{2})"
)


def main(src):
	out = csv.writer(sys.stdout)

	delim = '\t'

	decimal_value = lambda str: Decimal(str.replace(' ', ''))
	extract_field = lambda line, col: line.split(delim)[col]

	rows = []
	for line in src:
		mo = rx.match(line)
		if not mo:
			continue
		src.next()  # пропуск строки "Итого"
		dollars = decimal_value(extract_field(src.next(), 2))
		rubles = decimal_value(extract_field(src.next(), 2))
		exch_rate = decimal_value(extract_field(src.next(), 2))
		# sanity checks
		assert(decimal_value(mo.group('dollars')) == dollars)
		calc_rub = exch_rate * dollars
		assert(calc_rub.quantize(Decimal('0.01')) == rubles)
		rows.append([mo.group('date'), mo.group('doc'), dollars, exch_rate, rubles])

	if rows:
		out.writerow(['date', 'doc', 'usd', 'xchg', 'rub'])
		out.writerows(rows)


if __name__ == '__main__':
	import sys
	main(sys.stdin)

textpdf.py

"""
Prints inline text boxes from PDF using pdfminer.

Assumes that PDF is autogenerated and inline boxes are on the same height and have the same font size/style.

Requires pdf2txt.py from pdfminer and lxml, so please do::
   
    pip install pdfminer lxml

Usage example::

    pdf2txt.py -t xml input.pdf  | python text_pdf.py

"""
from __future__ import print_function
from lxml import etree
from itertools import groupby


def line2box(textline):
    left, top, right, bottom = map(float, textline.get('bbox').split(','))
    word = u''.join(c.text for c in textline.getchildren())
    return -top, left, word


def process(page):
    textlines = page.xpath('.//textline')
    boxes = map(line2box, textlines)
    boxes.sort()
    page_id = page.get('id')
    for k, g in groupby(boxes, lambda b: b[0]):
        print(page_id, *[b[2].rstrip().encode('utf-8') for b in g], sep='\t')


def main(src):
    tree = etree.parse(src)
    pages = tree.xpath('//page')
    for page in pages:
        process(page)


if __name__ == '__main__':
    import sys
    main(sys.stdin)