busca-inf-pdf 0.0.1

Pacote desenvolvido para buscar informações em arquivos pdf

BUSCA INFORMAÇÃO NO PDF

Objetivo

Pacote desenvolvido para auxiliar na busca de informações contidas nos pdf, o pacote opera na busca de duas maneiras;

1. Busca por Regex: Nas fuções que utilizam a busca por regex os códigos foram desenvolvidos para buscar em todos os valores existentes no pdf, isto pode tornar mais lenta a leitura.
2. Busca por posição: Na busca por posição, é necessário informar o termo que se busca e o local que ele se encontra, mais a frente serão demonstrados exemplos.

Funções

Instalação

```bash 
pip install busca_inf_pdf
```

busca_regex_pdf

1. Esta função busca em um dicionário o texto em regex informado e retorna o valor conforme pesquisado, recebe os seguintes argumentos:

   1. pdf_path (obrigatório): Caminho em que se encontra o arquivo pdf
   2. regex (obrigatório): Código regex que deseja buscar
   3. empresa (opcional): Nome da empresa, se não informar será atribuido como None
   4. mes (opcional): Mês de referência, se não informar será atribuido como None

   Exemplo

     import busca_inf_pdf as bid
   
     path = r'./arquivo.pdf'
     regex = r'\d{2}\.\d{3}\.\d{3}/0001-\d{2}'
     empresa = 'Python Inc'
     mes = 'Janeiro'
   
     bid.busca_regex_pdf(path=path,
                             regex=regex,
                             empresa = empresa,
                             mes=mes)
   

extract_regex_values

1. Esta função extrai apenas o valor regex buscado e recebe os seguintes argumentos:

   1. regex (obrigatório): Informa o código regex que será buscado
   2. string (obrigatório): Informar a string que contém o dado

   Exemplo

     import busca_inf_pdf as bid
   
     regex = r'\d{2}\.\d{3}\.\d{3}/0001-\d{2}'
     string  = 'CNPJ: 09.157.003/0001-37'
    
   
     bid.extract_regex_values(
         regex = regex,
         sting = string
     )
   

abertura_notas_e_criacao_lista

1. Esta função busca em um diretório todos os arquivos pdf e realiza a extração dos dados, retonando duas listas, uma com os arquivos que deram erro e outra com o valor procurado:

   1. path_arquivos (obrigatório): Caminho da pasta com os arquivos
   2. str_regex (obrigatório): Código regex que deseja buscar
   3. empresa (opcional): Nome da empresa, se não informar será atribuido como None
   4. mes (opcional): Mês de referência, se não informar será atribuido como None

   Exemplo

     import busca_inf_pdf as bid
     import os
   
     list_pdf = os.listdir('diretorio com os arquivos pdf')
     regex = r'\d{2}\.\d{3}\.\d{3}/0001-\d{2}'
     empresa = 'Python Inc'
     mes = 'Janeiro'
    
   
     bid.abertura_notas_e_criacao_lista(path_arquivos=list_pdf,
                             regex=regex,
                             empresa = empresa,
                             mes=mes)
   

procura_desc_in_dict

1. Esta função busca em uma lista se determinado termo esta na posição x e retorna a posição y, os argumentos são:

   1. dict: dict (obrigatório): Dicioário que deseja avaliar
   2. term: str (obrigatório): Palavra que busca para retorno
   3. x: int (obrigatório): Posição em que a palavra buscada no dicionário deve estar
   4. y: int (obrigatório): Posição em que a palavra de retorno deve estar

   Exemplo

     import busca_inf_pdf as bid
     import os
   
     bid.procura_desc_in_dict(
         dict = dicionario_a_partir_pdf,
         term = 'DESCR',
         x=0,
         y=1
     )
   

busca_no_dict_table

1. Esta função busca em uma lista se determinado termo esta na posição x e retorna a posição y, os argumentos são:

   1. tables (obrigatório): retorno ao abrir um pdf utilizando camelot
   2. term_loc: str (obrigatório): Palavra que busca para retorno
   3. x: int (obrigatório): Posição em que a palavra buscada no dicionário deve estar
   4. y: int (obrigatório): Posição em que a palavra de retorno deve estar

   Exemplo

     import busca_inf_pdf as bid
     import camelot
   
     tables = camelot.read_pdf('arquivo.pdf', pages="all")
   
     bid.busca_no_dict_table(
         tables = tables,
         term = 'DESCR',
         x=0,
         y=1
     )