asdasd

dump_text.py

@@ -0,0 +1,27 @@
+#!/usr/bin/env python3
+"""
+dump_text.py - Zeigt den ROH-Text eines PDFs, wie pypdf ihn extrahiert.
+Zum Verstehen der Feldstruktur fuer deterministisches Parsen.
+
+Aufruf:
+  python3 dump_text.py --pdf ~/data/S/"Sidhu, Manny 040126.pdf"
+"""
+import argparse
+from pypdf import PdfReader
+
+ap = argparse.ArgumentParser()
+ap.add_argument("--pdf", required=True)
+ap.add_argument("--max-pages", type=int, default=3)
+args = ap.parse_args()
+
+reader = PdfReader(args.pdf)
+print(f"Seiten gesamt: {len(reader.pages)}\n")
+for i, page in enumerate(reader.pages[:args.max_pages], 1):
+    print(f"{'='*70}")
+    print(f"=== SEITE {i} ===")
+    print('='*70)
+    txt = page.extract_text() or "(kein Text)"
+    # mit sichtbaren Zeilennummern, damit wir Struktur sehen
+    for ln, line in enumerate(txt.splitlines(), 1):
+        print(f"{ln:3} | {line}")
+    print()