Homework3 提取章节

姓名:陈学香

学号:4201418

提取年份

In [1]:
import os
import re
import fitz
import csv

filenames = os.listdir()
prefix = '公开发行证券的公司信息披露内容与格式准则第2号'
pdf = [f for f in filenames if f.startswith(prefix) and f.endswith('.pdf')]
year = [f[-12:-5] for f in pdf]
print(year)
['2012年修订', '2016年修订', '2017年修订', '年修订) (1']

提取PDF文本

In [2]:
def getText(pdf):
    text = ''
    doc = fitz.open(pdf)
    for page in doc:
        text += page.getText()
    doc.close()
    return(text)

def getSubtext(pdf):
    text = getText(pdf)
    p1 = re.compile('第二章\s*年度报告正文(.*)第三章\s*年度报告摘要',re.DOTALL)
    subtext = p1.search(text).group(0)
    return(subtext)
In [3]:
def getTOC(pdf):
    subtext = getSubtext(pdf)
    p = re.compile('(?<=\\n)(第\w{1,2}节)\s+(.*)(?=\\n)')
    listOftuple = p.findall(subtext)
    return(listOftuple)

# text_list = [getText(f) for f in pdf]
toc = [getTOC(f) for f in pdf]
print(toc)

def getTOC_content(pdf):
    subtext = getSubtext(pdf)
    p = re.compile('(?<=\\n)(第\w{1,2}节)\s+(.*)(?=\\n)')
    index = []
    for match in p.finditer(subtext):
        s = match.start()
        e = match.end()
        index.append((s,e))

    content = []
    for i in range(len(index)-1):
        s = index[i][1]
        e = index[i+1][0]
        content.append(subtext[s:e])
    last_start = index[-1][1]
    last_end = subtext.rfind('\n第三章')
    content.append(subtext[last_start:last_end])
    return((index, content))

list_of_content = [getTOC_content(f) for f in pdf]
[[('第一节', '重要提示、目录和释义'), ('第二节', '公司简介'), ('第三节', '会计数据和财务指标摘要'), ('第四节', '董事会报告'), ('第五节', '重要事项'), ('第六节', '股份变动及股东情况'), ('第七节', '董事、监事、高级管理人员和员工情况'), ('第八节', '公司治理'), ('第九节', '内部控制'), ('第十节', '财务报告')], [('第一节', '重要提示、目录和释义'), ('第二节', '公司简介和主要财务指标'), ('第三节', '公司业务概要'), ('第四节', '经营情况讨论与分析'), ('第五节', '重要事项'), ('第六节', '股份变动及股东情况'), ('第七节', '优先股相关情况'), ('第八节', '董事、监事、高级管理人员和员工情况'), ('第九节', '公司治理'), ('第十节', '公司债券相关情况'), ('第十一节', '财务报告'), ('第十二节', '备查文件目录')], [('第一节', '重要提示、目录和释义'), ('第二节', '公司简介和主要财务指标'), ('第三节', '公司业务概要'), ('第四节', '经营情况讨论与分析'), ('第五节', '重要事项'), ('第六节', '股份变动及股东情况'), ('第七节', '优先股相关情况'), ('第八节', '董事、监事、高级管理人员和员工情况'), ('第九节', '公司治理'), ('第十节', '公司债券相关情况'), ('第十一节', '财务报告'), ('第十二节', '备查文件目录')], [('第一节', '重要提示、目录和释义'), ('第二节', '公司简介和主要财务指标'), ('第三节', '管理层讨论与分析'), ('第四节', '公司治理'), ('第五节', '环境和社会责任'), ('第六节', '重要事项'), ('第七节', '股份变动及股东情况'), ('第八节', '优先股相关情况'), ('第九节', '债券相关情况'), ('第十节', '财务报告')]]

转换成网页

In [4]:
def export_to_html(pdf,toc,content):
    f = open('homework3_output_template.html', encoding='utf-8')
    html = f.read()
    f.close()
    template = '<div><h3>%s</h3><p>%s</p></div>'
    toc_list = [t[0]+' '+ t[1] for t in toc]
    div = [template % (t,c) for (t,c) in zip(toc_list, content)]
    div = ''.join(div)
    html = html % div
    f = open('homework3_%s.html' % pdf, 'w',encoding='utf-8')
    f.write(html)
    f.close()
    return()

content_list = [c[1] for c in list_of_content]
for i in range(len(pdf)):
    export_to_html(pdf[i], toc[i], content_list[i])
    
In [ ]: