xcvxcv

parse_text_pdf.py

@@ -2,84 +2,155 @@
 """
 parse_text_pdf.py - DETERMINISTISCHER Parser fuer die Text-PDFs (kein LLM).
 
-Nutzt die Struktur digital ausgefuellter BizMatch-Formulare:
-  - Die Info-Seite und die CA-Seite werden ueber ANKER-Texte gefunden
-    (positionsunabhaengig - koennen auf beliebigen Seiten liegen).
-  - Die eingegebenen Werte stehen als Block; wir ordnen sie den Feldern zu.
+Nutzt die feste Struktur digital ausgefuellter BizMatch-Formulare (pypdf):
+  - Info-Seite und CA-Seite werden ueber ANKER-Texte gefunden (positionsunabh.).
+  - Auf der Info-Seite folgt nach dem Template ein WERTE-BLOCK in fester
+    Feld-Reihenfolge.
+  - Zuordnung von VORNE (Name..Types, einzeilig, fix) und von HINTEN
+    (letzte 6 Felder: Price, DownPay, Income, Accountant, Attorney, Bank).
+    Dazwischen = mehrzeiliger Background.
 
 Checkbox 'interested_in_updates' steht NICHT im Text (eingebettetes Bild)
--> bleibt vorerst null, Marker _checkbox_pending=true fuer spaeteres Crop-Vision.
+-> null, Marker _checkbox_pending=true fuer spaeteres Crop-Vision.
 
 Aufruf:
-  python3 parse_text_pdf.py --pdf ~/data/S/"Sturgill, Garett 040126.pdf"
-  python3 parse_text_pdf.py --pdf ... --debug   # zeigt Zwischenschritte
+  python3 parse_text_pdf.py --pdf ~/data/S/"Sturgill, Garett 040126.pdf" [--debug]
 """
-import argparse, re, json
-import pdfplumber
+import argparse, re, json, os
+from pypdf import PdfReader
 
 ANCHOR_INFO = "BUYER INFORMATION SHEET"
 ANCHOR_CA = "PROSPECTIVE BUYER AGREES TO KEEP AND HOLD CONFIDENTIAL"
 
-# Label-Zeilen des leeren Templates (Info-Seite), in Reihenfolge.
-# Nach diesen Labels kommt (weiter unten) der Werte-Block.
-INFO_LABELS = [
-    "NAME / COMPANY", "PHONE", "ADDRESS", "EMAIL ADDRESS",
-    "HOW DID YOU HEAR ABOUT US", "TYPES OF BUSINESSES",
-    "BACKGROUND", "TOTAL PURCHASE PRICE", "DOWN PAYMENT",
-    "INCOME REQUIREMENTS", "ACCOUNTANT", "ATTORNEY", "BANK",
-]
+# Leer-Marker: n, na, n/a (case-insensitiv), leer
+_EMPTY_RE = re.compile(r"^(n|na|n/a|n\.a\.?)$", re.IGNORECASE)
 
-def is_empty_marker(s):
-    """'n', leere/whitespace, oder nur Platzhalter -> gilt als leer."""
+def is_empty(s):
     if s is None:
         return True
     t = s.strip()
-    if not t:
-        return True
-    # einzelne 'n' oder Folgen von 'n' (Platzhalter fuer leere Felder)
-    if re.fullmatch(r"[nN]( +[nN])*", t):
-        return True
-    return False
+    return (not t) or bool(_EMPTY_RE.match(t))
 
 def clean(s):
-    return None if is_empty_marker(s) else s.strip()
+    return None if is_empty(s) else s.strip()
 
-def find_pages(pdf):
-    """Findet Info- und CA-Seite ueber Anker. Gibt (info_text, ca_text)."""
+def find_pages(reader):
     info_txt = ca_txt = None
-    for page in pdf.pages:
+    info_pageno = ca_pageno = None
+    for i, page in enumerate(reader.pages):
         t = page.extract_text() or ""
+        flat = t.replace("\n", " ")
         if info_txt is None and ANCHOR_INFO in t:
-            info_txt = t
-        if ca_txt is None and ANCHOR_CA in t.replace("\n", " "):
-            ca_txt = t
-    return info_txt, ca_txt
+            info_txt, info_pageno = t, i + 1
+        if ca_txt is None and ANCHOR_CA in flat:
+            ca_txt, ca_pageno = t, i + 1
+    return info_txt, ca_txt, info_pageno, ca_pageno
 
-def parse_info_values(info_txt, debug=False):
-    """
-    Extrahiert den Werte-Block der Info-Seite.
-    Struktur (aus Analyse): nach der Label-Vorlage (endet mit 'BANK:')
-    folgt der Werte-Block. Die Werte stehen in fester Reihenfolge:
-      name, phone-zeile, address, email, how_heard, types, background(1-2 zeilen),
-      purchase_price, down_payment, income, accountant, attorney, bank
-    Da leere Felder als 'n' erscheinen, gehen wir zeilenweise vor.
-    """
+def value_block(info_txt):
+    """Zeilen des Werte-Blocks: nach 'BANK:' bis vor 'Doc ID'."""
     lines = [l.rstrip() for l in info_txt.splitlines()]
-    # Werte-Block beginnt nach der letzten Label-Zeile ("BANK:")
     bank_idx = None
     for i, l in enumerate(lines):
-        if l.strip().upper().startswith("BANK"):
+        if l.strip().upper().startswith("BANK:"):
             bank_idx = i
     if bank_idx is None:
         return None
-    block = [l for l in lines[bank_idx+1:] if l.strip()]
-    # letzte Zeile ist oft "Doc ID: ..." -> entfernen
-    block = [l for l in block if not l.strip().lower().startswith("doc id")]
+    block = []
+    for l in lines[bank_idx + 1:]:
+        if l.strip().lower().startswith("doc id"):
+            break
+        if l.strip():
+            block.append(l.strip())
+    return block
+
+def parse_down_payment(raw):
+    """
+    Gibt (zahl_oder_none, rohwert) zurueck.
+    Eindeutige Zahl: '350000' -> '350000'; '$350,000' -> '350000';
+    '1.5M'/'1.5 mil' -> '1500000'; '500k' -> '500000'.
+    Spanne ('50-200k'), Text ('Depends on deal') -> None, Rohwert behalten.
+    """
+    if is_empty(raw):
+        return None, None
+    s = raw.strip()
+    low = s.lower().replace(",", "").replace("$", "").replace(" ", "")
+    # Spanne (enthaelt Bindestrich zwischen Zahlen) -> nicht eindeutig
+    if re.search(r"\d\s*[-–]\s*\d", low):
+        return None, s
+    m = re.fullmatch(r"(\d+(?:\.\d+)?)(k|m|mil|million)?", low)
+    if m:
+        num = float(m.group(1))
+        suffix = m.group(2)
+        if suffix == "k":
+            num *= 1_000
+        elif suffix in ("m", "mil", "million"):
+            num *= 1_000_000
+        return str(int(num)), s
+    return None, s  # Text -> null, Rohwert behalten
+
+def parse_info(info_txt, debug=False):
+    block = value_block(info_txt)
+    out = {}
+    if not block:
+        return out, None
     if debug:
         print("  --- Werte-Block ---")
         for j, l in enumerate(block):
             print(f"    [{j}] {l!r}")
-    return block
+    n = len(block)
+    # Von HINTEN: letzte 6 Felder
+    # Reihenfolge: Price, DownPay, Income, Accountant, Attorney, Bank
+    if n >= 6:
+        last6 = block[-6:]
+        out["total_purchase_price"] = clean(last6[0])
+        dp_num, dp_raw = parse_down_payment(last6[1])
+        out["down_payment"] = dp_num
+        out["down_payment_raw"] = dp_raw
+        # income/accountant/attorney/bank interessieren uns nicht als Zielfelder
+        front_end = n - 6
+    else:
+        front_end = n
+
+    # Von VORNE: feste einzeilige Felder
+    def g(i):
+        return clean(block[i]) if i < front_end else None
+    out["name_company"] = g(0)
+    # Phone-Zeile: "{PHONE} FAX CELL" bzw. mit Leer-Markern dazwischen
+    if 1 < front_end:
+        phone_line = block[1]
+        # grob: erstes Token=Phone, evtl. weitere; wir nehmen die Zeile roh und
+        # bereinigen Leer-Marker. Feinsplit spaeter falls noetig.
+        toks = phone_line.split()
+        toks = [t for t in toks if not is_empty(t)]
+        out["phone"] = toks[0] if toks else None
+        out["cell"] = toks[-1] if len(toks) > 1 else None
+    out["address"] = g(2)
+    out["email"] = g(3)
+    out["how_did_you_hear"] = g(4)
+    out["types_of_business_raw"] = g(5)
+    # Background = alles zwischen Index 6 und front_end (mehrzeilig)
+    if front_end > 6:
+        bg = " ".join(block[6:front_end]).strip()
+        out["background_experience"] = bg or None
+    else:
+        out["background_experience"] = None
+    return out, block
+
+def parse_ca(ca_txt):
+    out = {}
+    lines = [l.strip() for l in ca_txt.splitlines() if l.strip()]
+    # Datum
+    for l in lines:
+        m = re.search(r"(\d{1,2})\s*/\s*(\d{1,2})\s*/\s*(\d{4})", l)
+        if m:
+            mm, dd, yy = m.groups()
+            out["date_of_introduction"] = f"{yy}-{int(mm):02d}-{int(dd):02d}"
+            break
+    # Prospective Buyer: erste Zeile nach dem Anker-Block (Zeile 1 ist der
+    # lange Vertragstext; Zeile 2 ist der Name)
+    if len(lines) >= 2 and ANCHOR_CA in lines[0].replace("  ", " "):
+        out["prospective_buyer"] = clean(lines[1])
+    return out
 
 def main():
     ap = argparse.ArgumentParser()
@@ -87,8 +158,8 @@ def main():
     ap.add_argument("--debug", action="store_true")
     args = ap.parse_args()
 
-    with pdfplumber.open(args.pdf) as pdf:
-        info_txt, ca_txt = find_pages(pdf)
+    reader = PdfReader(args.pdf)
+    info_txt, ca_txt, info_no, ca_no = find_pages(reader)
 
     result = {
         "is_buyer_sheet": info_txt is not None,
@@ -96,39 +167,16 @@ def main():
         "phone": None, "cell": None, "email": None, "address": None,
         "state": None, "how_did_you_hear": None, "interested_in_updates": None,
         "types_of_business_raw": None, "background_experience": None,
-        "total_purchase_price": None, "down_payment": None,
+        "total_purchase_price": None, "down_payment": None, "down_payment_raw": None,
         "date_of_introduction": None,
-        "_checkbox_pending": True,   # Checkbox spaeter per Crop-Vision
-        "_parser": "deterministic",
+        "_checkbox_pending": True, "_parser": "deterministic",
+        "_info_page": info_no, "_ca_page": ca_no,
     }
-
     if info_txt:
-        block = parse_info_values(info_txt, debug=args.debug)
-        if block:
-            # Heuristische Zuordnung nach Reihenfolge.
-            # Wir mappen defensiv: bekannte Anker im Block suchen.
-            # block[0] = name, block[1] = phone-zeile, ...
-            def get(i):
-                return clean(block[i]) if i < len(block) else None
-            result["name_company"] = get(0)
-            # phone-zeile kann "(PHONE) n n" o.ae. sein
-            result["phone"] = None  # wird unten aus phone-zeile gezogen
-            # Rest positionsbasiert - ACHTUNG: haengt von Leer-Feld-Verhalten ab
-            # Wir geben den Block auch roh mit, zum Debuggen der Zuordnung
-            result["_value_block"] = block
-
+        info_fields, _ = parse_info(info_txt, debug=args.debug)
+        result.update(info_fields)
     if ca_txt:
-        # CA-Seite: Name + Datum aus dem Werte-Block nach dem Vertragstext
-        ca_lines = [l.strip() for l in ca_txt.splitlines() if l.strip()]
-        # Datum finden (MM / DD / YYYY)
-        for l in ca_lines:
-            m = re.search(r"(\d{1,2})\s*/\s*(\d{1,2})\s*/\s*(\d{4})", l)
-            if m:
-                mm, dd, yy = m.groups()
-                result["date_of_introduction"] = f"{yy}-{int(mm):02d}-{int(dd):02d}"
-                break
-        # Name: erste nicht-leere Zeile nach dem Anker-Block, die nicht 'n' ist
-        # (aus Analyse: direkt nach dem langen Vertragstext-Block)
+        result.update(parse_ca(ca_txt))
 
     print(json.dumps(result, indent=2, ensure_ascii=False))