leer y pdf y extraer datos

[goosfancito]

Hola.
Una empresa nos envía archivos en PDF con datos que necesito extraer, como ser: nombre, dirección, productos, etc. esta empresa. no nos envía en formato XML solo en PDF. Hay alguna manera de poder extraer datos de ese PDF? o transformar ese PDF en XML?

gracias.

[Antonio Linares]

Gustavo,

Revisa FWH\samples\pdfread.prg por si pudiera servirte

[Antonio Linares]

Otra manera sería usar este código en python y llamarlo desde Harbour:

Code: Select all  Expand view  RUN

import PyPDF2

def extraer_texto_pdf(pdf_path):
    texto_extraido = ""

    # Abre el archivo PDF en modo binario
    with open(pdf_path, 'rb') as archivo_pdf:
        # Crea un objeto PDFReader
        lector_pdf = PyPDF2.PdfFileReader(archivo_pdf)

        # Recorre todas las páginas del PDF
        for pagina_numero in range(lector_pdf.numPages):
            # Obtiene el objeto de la página
            pagina = lector_pdf.getPage(pagina_numero)

            # Extrae el texto de la página
            texto_extraido += pagina.extractText()

    return texto_extraido

# Ruta al archivo PDF que deseas procesar
ruta_pdf = 'ejemplo.pdf'

# Llama a la función para extraer el texto
texto_extraido = extraer_texto_pdf(ruta_pdf)

# Imprime el texto extraído
print(texto_extraido)
 

[paquitohm]

Hola Antonio,

¿ Hay alguna forma facil de llamar a un codigo python desde Harbour ?
¿ Se requiere tener python instalado supongo ? ¿ La minima expresion de python cual seria ?

En todo caso, lo que haré será investigar ese tema. Ese enlace puede ser un buen supletorio en determinados casos

Salu2

[goosfancito]

al ejecutar. el ejemplo de pdfread

Application
===========
Path and name: X:\workshop\2024\pdf\bin\pdf.Exe (32 bits)
Size: 4,774,912 bytes
Compiler version: Harbour 3.2.0dev (r2104281802)
FiveWin version: FWH 21.11
C compiler version: Borland/Embarcadero C++ 7.6 (32-bit)
Windows version: 6.2, Build 9200

Time from start: 0 hours 0 mins 0 secs
Error occurred at: 01/26/24, 12:29:23
Error description: (DOS Error -2147352567) WINOLE/1007 (0x800C0005): SPEAK
Args:
[ 1] = C c:\curl.txt
[ 2] = N 4

Stack Calls
===========
Called from: => TOLEAUTO:SPEAK( 0 )
Called from: Source\pdfread.prg => MAIN( 8 )

[goosfancito]

El pdf que tengo, al abrirlo con el notepad dice

%PDF-1.3
%Äåòåë§ó ÐÄÆ
4 0 obj
<< /Filter /FlateDecode /Length 3182 >>
stream

por lo que lei en google habría que decodificarlo, es asi?
porque al ejecutar el programa (ahora lo ejecuta poniendo la ruta completa del pdf y del txt) el archivo txt queda vacío.

[karinha]

No te sirve SUMATRAPDF.exe ?

Regards, saludos.

[Antonio Linares]

Hola Antonio,

¿ Hay alguna forma facil de llamar a un codigo python desde Harbour ?
¿ Se requiere tener python instalado supongo ? ¿ La minima expresion de python cual seria ?

En todo caso, lo que haré será investigar ese tema. Ese enlace puede ser un buen supletorio en determinados casos

Salu2

Querido Paco,

https://github.com/FiveTechSoft/harbour_python

[paquitohm]

Hola Antonio,

Gracias por tu respuesta
Lo de tener que instalar Python en cada maquina de los clientes me supone un inconveniente

¿ No habrá algunas libreria o algo asi para dejar en la carpeta de la aplicacion sin necesidad de instalar todo ?

Salu2

[goosfancito]

No te sirve SUMATRAPDF.exe ?

Regards, saludos.

no lo conozco voy a indagar. gracias!

[Antonio Linares]

Hola Antonio,

Gracias por tu respuesta
Lo de tener que instalar Python en cada maquina de los clientes me supone un inconveniente

¿ No habrá algunas libreria o algo asi para dejar en la carpeta de la aplicacion sin necesidad de instalar todo ?

Salu2

Paco,

Ese es el mismo inconveniente que encontramos nosotros para usar IA que se basa en Python, de ahi que es un alivio que exista https://github.com/ggerganov/llama.cpp pero esto es solo para IA y no para Python en general.

Voy a buscar a ver si existe alguna solución para crear ejecutables con Python...

[Antonio Linares]

Paco,

La respuesta de la IA de Bing (copilot):

Sí, existen varias formas de crear archivos ejecutables en Python que se pueden ejecutar sin necesidad de tener instalado el intérprete de Python. Algunas de las herramientas más populares son:

PyInstaller: Permite crear ejecutables de un solo archivo o de una carpeta, y soporta múltiples sistemas operativos. También permite incluir recursos externos como imágenes o archivos .ui12.
py2exe: Es una herramienta específica para Windows que convierte los scripts de Python en archivos .exe. Tiene algunas limitaciones, como no soportar Python 3.7 o superior3.
cx_Freeze: Es una herramienta multiplataforma que crea ejecutables a partir de scripts de Python. Soporta Python 3.6 o superior, y permite incluir módulos adicionales3.
Para utilizar estas herramientas, es necesario instalarlas con el comando pip install <nombre de la herramienta>, y luego ejecutarlas con el nombre del script de Python que se quiere convertir en ejecutable. Cada herramienta tiene sus propios argumentos y opciones que se pueden consultar en su documentación oficial.

[paquitohm]

Gracias Antonio.

El uso de ejecutables externos es una solucion.
Asi podemos hacer un solo ejecutable python que sea multifuncional
Recientemente lo he hecho con powershell para envio de email: Le paso parametro de archivo .ini y el propio powershell graba en ese archivo .ini los datos resultantes (enviado/ no enviado) mientras el programa harbour espere con un timeout de 5 o que la seccion resultante haya sido escrita. Realmente funciona muy bien.
Un unico .exe multifuncion de python puede ser la solucion para interactuar sin montar todo el monario de python

Salu2

[nageswaragunupudi]

First try opening the file with

Code: Select all  Expand view  RUN

htmlView( FullName( cPdfFileName ) )

[karinha]

Code: Select all  Expand view  RUN

// C:\FWH\SAMPLES\HTMLPDF.PRG

#include "FiveWin.ch"

STATIC oWnd

FUNCTION Main()

   LOCAL oBar

   DEFINE WINDOW oWnd TITLE "HtmlViewPdf"

   DEFINE BUTTONBAR oBar _3D OF oWnd

   DEFINE BUTTON OF oBar ACTION HtmlViewPdf()

   SET MESSAGE OF oWnd TO "HtmlViewPdf" NOINSET CLOCK DATE KEYBOARD

   ACTIVATE WINDOW oWnd MAXIMIZED

RETURN NIL

FUNCTION HtmlViewPdf()

   HTMLVIEW( "C:\TEMP\FWINTRO.PDF" ) // USE ACROBAT

RETURN NIL

// FIN / END
 

Regards, saludos.