cgr-pdfextract 3.0.10

Herramienta para la extracción de datos de los "Informes de Control Posterior" de la Contraloria General de la República" del Perú

CGR-PDFEXTRACT

Este paquete consta de dos librerias:

• Extrae informacion de un solo archivo del "Informe de Control Posterior"
• Extrae informacion de un csv donde se ubican los urls de cada "Informe de Control Posterior"

Instalacion

Requerimientos

Para el correcto funcionamiento del paquete y sus respectivos modulos, es necesario tener instalado los siguientes paquetes adicionales:

• os
• re
• time
• glob
• requests
• pdfplumber
• pandas

Iniciamos la instalacion

>> pip install cgr-pdfextract

Como usarlo

1.- Extraer informacion de un solo informe

>> from cgrextract import pdfextractor 

>> pdfextractor(url, nomb_exp) 

Donde:

• url : es el valor de la url donde se aloja el informe de control
• nomb_exp: es el nombre que daremos al archivo que se generara

Luego de la ejecucion del modulo se generara un archivo ".csv" que tendra el siguiente formato "cgr_[nomb_exp].csv", este archivo estara alojado en el directorio de trabajo donde se viene trabajando.

Ejemplo:

>> from cgrextract import pdfextractor 

>> url = 'https://s3.amazonaws.com/spic-informes-publicados/resumen/2021/10/2021CPO043200043.pdf'

>> nomb_exp = 'informe'

>> pdfextractor(url, nomb_exp)

2.- Extraer informacion de un csv

>> from cgrextract import pdfextractor_all

>> pdfextractor_all(nomb_arch, col_url, nomb_exp, registros) 

Donde:

• nomb_arch: nombre del archivo "csv" donde se ubican la lista de los informes de control con sus respectivos urls.

• col_url : nombre de la variable donde se encuentran las urls donde se ubican los resumenes de los informes de control.

• nomb_exp : nombre que le asignamos al archivo que consolidara la informacion de todos los informes de control.

• registros: cantidad de informes de control que se quiere trabajar.

Luego de ejecutar el modulo, se creara una carpeta con el nombre "pdf_extraccion" en donde se almacenara el archivo que consolide la informacion de los resumenes de los "Informes de Control Posterior" procesados.

Ejemplo:

Para el ejemplo, es necesario descargar el archivo "informe_CGR.csv" (https://github.com/JelsinPalomino/Coordenadas-Geograficas/blob/master/informe_CGR.csv)

>> from cgrextract import pdfextractor_all

>> nomb_arch = 'informe_CGR.csv'  

>> col_url   = 'resumen'

>> nomb_exp  = "informes_CGR_nacional"

>> registros = 8

>> pdfextractor_all(nomb_arch, col_url, nomb_exp, registros)

Licencia

Este repositorio esta autorizado bajo la licencia MIT. Ver LICENCIA para mas detalles.