sdf

dump_pdfplumber.py

@@ -0,0 +1,39 @@
+#!/usr/bin/env python3
+"""
+dump_pdfplumber.py - Zeigt, wie PDFPLUMBER (nicht pypdf) die Seiten ausgibt.
+Wichtig: pdfplumber ordnet Text anders an als pypdf.
+
+Aufruf:
+  python3 dump_pdfplumber.py --pdf ~/data/S/"Sturgill, Garett 040126.pdf"
+"""
+import argparse
+import pdfplumber
+
+ANCHOR_INFO = "BUYER INFORMATION SHEET"
+ANCHOR_CA = "PROSPECTIVE BUYER AGREES TO KEEP AND HOLD CONFIDENTIAL"
+
+ap = argparse.ArgumentParser()
+ap.add_argument("--pdf", required=True)
+args = ap.parse_args()
+
+with pdfplumber.open(args.pdf) as pdf:
+    for i, page in enumerate(pdf.pages):
+        txt = page.extract_text() or ""
+        is_info = ANCHOR_INFO in txt
+        is_ca = ANCHOR_CA in txt.replace("\n", " ")
+        tag = "INFO" if is_info else ("CA" if is_ca else "andere")
+        if tag == "andere":
+            continue
+        print(f"\n{'='*70}")
+        print(f"=== SEITE {i+1} [{tag}] - extract_text() ===")
+        print('='*70)
+        for ln, line in enumerate(txt.splitlines(), 1):
+            print(f"{ln:3} | {line!r}")
+
+        # Zusaetzlich: Woerter mit Position, um den Werte-Block zu lokalisieren
+        if is_info:
+            print(f"\n--- Woerter unterhalb von y=550 (wo die Werte stehen sollten) ---")
+            words = page.extract_words()
+            for w in words:
+                if w["top"] > 550:
+                    print(f"    top={w['top']:.0f} x0={w['x0']:.0f}  {w['text']!r}")