diff --git a/README.md b/README.md index 8ecd7ef..46b9c29 100644 --- a/README.md +++ b/README.md @@ -125,6 +125,32 @@ get_deviation.py、偏离表数据解析main.py用了process_functions_in_parall 三级是*截取pdf通用函数.py* +如何判断截取位置是否正确？根据output文件夹中的切分情况（打开各个文件查看是否切分准确，目前的逻辑主要是按大章切分，即'招标公告'章节） + + + +**如果切分不准确，如何定位正则表达式？** + +首先判断当前是工程标解析还是货物标解析，即zb_type=1还是2 + +如果是2，那么是货物标解析，那么就是*截取pdf_main.py*调用*截取pdf货物标版*.py，如下图，selection=1代表截取'招标公告'，那么如果招标公告没有切准，就在这块修改。这里可以发现get_notice是通用函数，即*截取pdf通用函数.py*中的get_notice函数，那么继续往内部跳转。 + +若开头没截准，就改begin_pattern，末尾没截准，就改end_pattern + +![1](md_files/18.png) + +![1](md_files/19.png) + +另外：在*截取pdf货物标版*.py中，还有extract_pages_twice函数，即第一次没有切分到之后，会运行该函数，这边又有一套begin_pattern和end_pattern，即二次提取 + + + +**如何测试？** + +![1](md_files/20.png) + +输入pdf_path，和你要切分的序号，selection=1代表切公告，依次类推，可以看切出来的效果如何。 + **无效标和废标公共代码** diff --git a/flask_app/routes/工程标解析main.py b/flask_app/routes/工程标解析main.py index cc64da5..976ce5a 100644 --- a/flask_app/routes/工程标解析main.py +++ b/flask_app/routes/工程标解析main.py @@ -41,7 +41,7 @@ def preprocess_files(output_folder, file_path, file_type,logger): return None # 调用截取PDF多次 truncate_files = truncate_pdf_multiple(pdf_path, output_folder,logger,'engineering') - print("切割出的文件："+str(truncate_files)) + # print("切割出的文件："+str(truncate_files)) # 处理各个部分 notice_path=truncate_files[0] #招标公告 diff --git a/flask_app/routes/货物标解析main.py b/flask_app/routes/货物标解析main.py index 5e0ea3a..30358ae 100644 --- a/flask_app/routes/货物标解析main.py +++ b/flask_app/routes/货物标解析main.py @@ -33,7 +33,8 @@ def preprocess_files(output_folder, file_path, file_type,logger): return None # 调用截取PDF多次 - truncate_files = truncate_pdf_multiple(pdf_path, output_folder,logger,'goods') # index: 0->商务技术服务要求 1->评标办法 2->资格审查 3->投标人须知前附表 4->投标人须知正文 + truncate_files = truncate_pdf_multiple(pdf_path, output_folder,logger,'goods') + # 处理各个部分 invalid_path = truncate_files[6] if truncate_files[6] != "" else pdf_path #无效标（投标文件格式\合同条款之前的内容） diff --git a/flask_app/工程标/截取pdf工程标版.py b/flask_app/工程标/截取pdf工程标版.py index e8b6776..a7ae347 100644 --- a/flask_app/工程标/截取pdf工程标版.py +++ b/flask_app/工程标/截取pdf工程标版.py @@ -256,7 +256,7 @@ if __name__ == "__main__": # pdf_path = r"C:\Users\Administrator\Desktop\招标文件\招标02.pdf" # input_path=r"C:\Users\Administrator\Desktop\招标文件\招标test文件夹\zbtest8.pdf" output_folder = r"C:\Users\Administrator\Desktop\新建文件夹 (3)\新建文件夹" - selection = 4 # 例如：1 - 招标公告, 2 - 评标办法, 3 -资格审查条件 4-投标人须知前附表+正文 5-无效标 + selection = 4 # 例如：1 - 公告 notice , 2 - 评标办法 evaluation_method, 3 - 资格审查后缀有qualification1或qualification2（与评标办法一致） 4.投标人须知前附表part1 投标人须知正文part2 5-invalid generated_files = truncate_pdf_main_engineering(pdf_path, output_folder, selection, logger) print(generated_files) # print("生成的文件:", generated_files) diff --git a/flask_app/货物标/截取pdf货物标版.py b/flask_app/货物标/截取pdf货物标版.py index 146c467..f506e9e 100644 --- a/flask_app/货物标/截取pdf货物标版.py +++ b/flask_app/货物标/截取pdf货物标版.py @@ -324,6 +324,6 @@ if __name__ == "__main__": # pdf_path=r"C:\Users\Administrator\Desktop\文件解析问题\文件解析问题\1414cb9c-7bf4-401c-8761-2acde151b9c2\ztbfile.pdf" output_folder = r"C:\Users\Administrator\Desktop\货物标\zbfiles\output6" # output_folder = r"C:\Users\Administrator\Desktop\new招标文件\output2" - selection = 6 # 例如：1 - 公告, 2 - 评标办法, 3 - 资格审查后缀有qualification1或qualification2（与评标办法一致） 4.投标人须知前附表part1 投标人须知正文part2 5-采购需求 6-invalid_path + selection = 6 # 例如：1 - 公告 notice , 2 - 评标办法 evaluation_method, 3 - 资格审查后缀有qualification1或qualification2（与评标办法一致） 4.投标人须知前附表part1 投标人须知正文part2 5-采购需求 procurement 6-invalid generated_files = truncate_pdf_main_goods(pdf_path, output_folder, selection,logger) print(generated_files) diff --git a/md_files/18.png b/md_files/18.png new file mode 100644 index 0000000..41adf33 Binary files /dev/null and b/md_files/18.png differ diff --git a/md_files/19.png b/md_files/19.png new file mode 100644 index 0000000..2c1f426 Binary files /dev/null and b/md_files/19.png differ diff --git a/md_files/20.png b/md_files/20.png new file mode 100644 index 0000000..22ad0b5 Binary files /dev/null and b/md_files/20.png differ