app.py

import gradio as gr
import os
import pandas as pd
import pdfplumber
import re
import fitz  # PyMuPDF
import json

"""
Extract the text from a section of a PDF file  between 'wanted_section' and 'next_section'.
Parameters: 
- path (str): The file path to the PDF file.
- wanted_section (str): The section to start extracting text from.
- next_section (str): The section to stop extracting text at.
Returns:
- text (str): The extracted text from the specified section range.
"""


def get_section(path, wanted_section, next_section):
    print(wanted_section)

    # Open the PDF file
    doc = pdfplumber.open(io.BytesIO(path)) 
    start_page = []
    end_page = []

    # Find the all the pages for the specified sections
    for page in range(len(doc.pages)):
        if len(doc.pages[page].search(wanted_section, return_chars=False, case=False)) > 0:
            start_page.append(page)
        if len(doc.pages[page].search(next_section, return_chars=False, case=False)) > 0:
            end_page.append(page)
    print(max(start_page))
    print(max(end_page))

    # Extract the text between the start and end page of the wanted section
    text = []
    for page_num in range(max(start_page), max(end_page)+1):
        page = doc.pages[page_num]
        text.append(page.extract_text())
    text = " ".join(text)
    new_text = text.replace("\n", " ")
    special_char_unicode_list = ["\u00e4", "\u00f6", "\u00fc", "\u00df"]
    special_char_replacement_list = ["ae", "oe", "ue", "ss"]
    for index, special_char in enumerate(special_char_unicode_list):
        final_text = new_text.replace(special_char, special_char_replacement_list[index])
    return final_text


def extract_between(big_string, start_string, end_string):
    # Use a non-greedy match for content between start_string and end_string
    pattern = re.escape(start_string) + '(.*?)' + re.escape(end_string)
    match = re.search(pattern, big_string, re.DOTALL)

    if match:
        # Return the content without the start and end strings
        return match.group(1)
    else:
        # Return None if the pattern is not found
        return None

def format_section1(section1_text):
    result_section1_dict = {}

    result_section1_dict['TOPIC'] = extract_between(section1_text, "Sektor", "EZ-Programm")
    result_section1_dict['PROGRAM'] = extract_between(section1_text, "Sektor", "EZ-Programm")
    result_section1_dict['PROJECT DESCRIPTION'] = extract_between(section1_text, "EZ-Programmziel", "Datum der letzten BE")
    result_section1_dict['PROJECT NAME'] = extract_between(section1_text, "Modul", "Modulziel")
    result_section1_dict['OBJECTIVE'] = extract_between(section1_text, "Modulziel", "Berichtszeitraum")
    result_section1_dict['PROGRESS'] = extract_between(section1_text, "Zielerreichung des Moduls", "Massnahme im Zeitplan")
    result_section1_dict['STATUS'] = extract_between(section1_text, "Massnahme im Zeitplan", "Risikoeinschätzung")
    result_section1_dict['RECOMMENDATIONS'] = extract_between(section1_text, "Vorschläge zur Modulanpas-", "Voraussichtliche")

    return result_section1_dict


def process_pdf(path):
    results_dict = {}
    results_dict["1. Kurzbeschreibung"] = \
        get_section(path, "1. Kurzbeschreibung", "2. Einordnung des Moduls")
    """
    results_dict["2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm"] = \
        get_section(path, "2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm",
                    "2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls")
    results_dict["2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm"] = \
        get_section(path, "2.1 Aktualisierte Einordnung des Moduls in das EZ-Programm",
                    "2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls")
    results_dict["2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls"] = \
        get_section(path, "2.2 Andere Entwicklungsmaßnahmen im konkreten Interventionsbereich des Moduls",
                    "3. Entwicklungen im Interventionsbereich")
    results_dict["3. Entwicklungen im Interventionsbereich"] = \
        get_section(path, "3. Entwicklungen im Interventionsbereich",
                    "4.1 Bewertungen von Zielen, Zielgruppen, Wirkungshypothesen und Indikatoren")
    results_dict["4.1 Bewertungen von Zielen, Zielgruppen, Wirkungshypothesen und Indikatoren"] = \
        get_section(path, "4.1 Bewertungen von Zielen, Zielgruppen, Wirkungshypothesen und Indikatoren",
                    "4.2 Umgesetzte Maßnahmen / Aktivitäten während des Berichtszeitraums")
    results_dict["4.2 Umgesetzte Maßnahmen / Aktivitäten während des Berichtszeitraums"] = \
        get_section(path, "4.2 Umgesetzte Maßnahmen / Aktivitäten während des Berichtszeitraums",
                    "4.3 Umsetzung von Maßnahmen zur Sicherstellung der nachhaltigen Wirksamkeit")
    results_dict["4.3 Umsetzung von Maßnahmen zur Sicherstellung der nachhaltigen Wirksamkeit des Vorhabens"] = \
        get_section(path, "4.3 Umsetzung von Maßnahmen zur Sicherstellung der nachhaltigen Wirksamkeit",
                    "4.4 Laufzeit und Zeitplan")
    results_dict["4.4 Laufzeit und Zeitplan"] = \
        get_section(path, "4.4 Laufzeit und Zeitplan", "4.5 Entstandene Kosten und Kostenverschiebungen")
    results_dict["4.5 Entstandene Kosten und Kostenverschiebungen"] = \
        get_section(path, "4.5 Entstandene Kosten und Kostenverschiebungen", "4.6 Bewertung der Wirkungen und Risiken")
    results_dict["4.6 Bewertung der Wirkungen und Risiken"] = \
        get_section(path, "4.6 Bewertung der Wirkungen und Risiken", "5. Übergeordnete Empfehlungen")
    results_dict["5.1 Empfehlungen und Merkposten für den Politik- und Schwerpunktdialog"] = \
        get_section(path, "5.1 Empfehlungen und Merkposten für den Politik- und Schwerpunktdialog",
                    "5.2 Lernerfahrungen, die für die Länderstrategie und zukünftige EZ-Programme")
    results_dict[
        "5.2 Lernerfahrungen, die für die Länderstrategie und zukünftige EZ-Programme interessant sein könnten"] = \
        get_section(path, "5.2 Lernerfahrungen", "6. Testat")
    results_dict["6. Testat (TZ)"] = \
        get_section(path, "6. Testat", "Anlage 1: Wirkungsmatrix des Moduls")
    """
    # print(results_dict)
    result_section1_dict = format_section1(results_dict.get("1. Kurzbeschreibung"))
    # print(result_section1_dict)

"""
def get_first_page_text(path):
    doc = pdfplumber.open(io.BytesIO(path)) 
    if len(doc.pages):
        return doc.pages[0].extract_text()
"""

# Define the Gradio interface
# iface = gr.Interface(fn=get_first_page_text, 
iface = gr.Interface(fn=process_pdf, 
                     inputs=gr.File(type="binary", label="Upload PDF"),
                     outputs=gr.Textbox(label="Extracted Text"),
                     title="PDF Text Extractor",
                     description="Upload a PDF file to extract all its text.")

iface.launch()