dfg

probe_coords.py

@@ -0,0 +1,64 @@
+#!/usr/bin/env python3
+"""
+probe_coords.py - Zeigt die Y-Koordinaten von Labels und Werten auf der
+Info-Seite, um koordinatenbasiertes Parsen zu ermoeglichen.
+
+Idee (vom Nutzer): Jeder Wert gehoert zu dem Label, UNTER dem er steht und
+UEBER dem naechsten Label. Types-Werte liegen zwischen 'TYPES OF BUSINESSES'
+und 'BACKGROUND'; Background-Werte zwischen 'BACKGROUND' und 'TOTAL PURCHASE'.
+
+Aufruf:
+  python3 probe_coords.py --pdf ~/data/S/"Schultz, Gunnar 022526.pdf"
+"""
+import argparse
+import pdfplumber
+
+ANCHOR_INFO = "BUYER INFORMATION SHEET"
+
+# Label-Texte, deren Y-Position wir als Grenzen brauchen
+LABELS = [
+    "NAME / COMPANY", "PHONE", "ADDRESS", "EMAIL ADDRESS",
+    "HOW DID YOU HEAR", "ARE YOU INTERESTED", "TYPES OF BUSINESSES",
+    "BACKGROUND", "TOTAL PURCHASE PRICE", "DOWN PAYMENT",
+    "INCOME REQUIREMENTS", "ACCOUNTANT", "ATTORNEY", "BANK",
+]
+
+ap = argparse.ArgumentParser()
+ap.add_argument("--pdf", required=True)
+args = ap.parse_args()
+
+with pdfplumber.open(args.pdf) as pdf:
+    info_page = None
+    for page in pdf.pages:
+        if ANCHOR_INFO in (page.extract_text() or ""):
+            info_page = page
+            break
+    if not info_page:
+        print("Keine Info-Seite"); raise SystemExit(1)
+
+    # Zeilen rekonstruieren: Woerter nach 'top' gruppieren (gleiche Zeile = aehnliches top)
+    words = info_page.extract_words()
+    # nach top sortieren
+    words.sort(key=lambda w: (round(w["top"]), w["x0"]))
+
+    # Zeilen bilden (Toleranz 3px)
+    lines = []
+    cur = []
+    cur_top = None
+    for w in words:
+        if cur_top is None or abs(w["top"] - cur_top) <= 3:
+            cur.append(w); cur_top = w["top"] if cur_top is None else cur_top
+        else:
+            lines.append((cur_top, cur)); cur = [w]; cur_top = w["top"]
+    if cur:
+        lines.append((cur_top, cur))
+
+    print(f"{'TOP':>6} | {'X0':>5} | TEXT")
+    print("-"*70)
+    for top, ws in lines:
+        text = " ".join(w["text"] for w in ws)
+        x0 = min(w["x0"] for w in ws)
+        # Markiere Label-Zeilen
+        is_label = any(lbl in text.upper() for lbl in LABELS)
+        mark = " <== LABEL" if is_label else ""
+        print(f"{top:6.0f} | {x0:5.0f} | {text[:60]}{mark}")