-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathpba.py
354 lines (249 loc) · 15 KB
/
pba.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
import spacy
from spacy.matcher import Matcher
import pdfplumber
import re
from spacy.tokens import DocBin
def encontrar_indices_nombre_subestacion_v3(texto):
nlp = spacy.load("es_core_news_sm") # Cargar el modelo de SpaCy para español
doc = nlp(texto)
# Definir el patrón para encontrar el nombre de la subestación
patron_nombre = [{"LOWER": "nueva"}, {"LOWER": "subestación"}, {"LOWER": "seccionadora", "OP": "*"}, {"IS_PUNCT": True}, {"LOWER": "denominada"}, {"IS_ALPHA": True, "OP": "+"}, {"IS_PUNCT": True}]
# Aplicar los patrones para encontrar los nombres de subestaciones
matcher = Matcher(nlp.vocab)
matcher.add("NOMBRE_SUBESTACION", [patron_nombre])
matches = matcher(doc)
# Obtener el texto y los índices de los tokens del nombre de la subestación encontrada
for match_id, start, end in matches:
span = doc[start:end]
# Encontrar el token "denominada" en el span
for token in span:
if token.text.lower() == "denominada":
start_token = token.i + 1 # El token siguiente a "denominada"
break
# Encontrar el token siguiente al nombre de la subestación
end_token = start_token
while end_token < len(doc) and doc[end_token].text != ',':
end_token += 1
# Obtener el texto del nombre de la subestación
nombre_subestacion = doc[start_token:end_token].text.strip(',')
# Obtener los índices de caracteres
inicio_nombre_subestacion = doc[start_token].idx
fin_nombre_subestacion = doc[end_token - 1].idx + len(doc[end_token - 1].text)
print(f"Nombre de la subestación: {nombre_subestacion}")
print(f"Indices del nombre de la subestación: {inicio_nombre_subestacion}, {fin_nombre_subestacion}")
return nombre_subestacion, inicio_nombre_subestacion, fin_nombre_subestacion
raise ValueError("No se encontró el nombre de la subestación")
def crear_datos_entrenamiento(textos, nlp, datos_entrenamiento):
for texto in textos:
try:
nombre, inicio, fin = encontrar_indices_nombre_subestacion_v3(texto)
entities = [(inicio, fin, "NOMBRE_SUBESTACION")]
datos_entrenamiento.append((texto, {"entities": entities}))
except ValueError:
print("error")
continue
return datos_entrenamiento
def generar_diccionario_proyectos_v2(file):
diccionario_obras_nuevas = {}
diccionario_lineas_nuevas = {}
paginas = [1,2]
lista_titulos_largos = []
with pdfplumber.open(file) as pdf:
text = ""
for i in paginas:
text += pdf.pages[i].extract_text()
matches = re.finditer(r'(Nueva (S/E|S/E Seccionadora|línea|líneas|Línea|Líneas).*?)(?=\n\S)', text, re.DOTALL)
try:
for match in matches:
line = match.group(0)
if not re.match(r".*[0-9]{2}$", line):
lista_titulos_largos.append(line)
print("Título largo: ", line)
titulo = input("Ingrese el título del proyecto según el índice del pdf: ")
pag_inicio = int(input("Ingrese la página de inicio del proyecto según el índice del pdf: ")) - 1
pag_final = pag_inicio + 3
##############################################################################################
if "s/e" in titulo.lower() and "nuevas líneas" in titulo.lower():
# Por lo tanto, el proyecto se compone de una nueva s/e y nuevas lineas.
# Por lo tanto, separaremos el titulo para almacenar cada titulo en un diccionario
# EJ: Nueva S/E Caracoles, nuevas líneas 2x220 kV Caracoles – Liqcau y 2x110 kV Guardiamarina – Caracoles
# Se almacenará en el diccionario de la siguiente manera:
aux = titulo.split(", nuevas líneas")
if len(aux) > 1:
titulo_se_nva = aux[0].strip()
titulo_lineas_nvas = aux[1].split(" y ")
else:
aux = titulo.split(" y nuevas líneas")
if len(aux) > 1:
titulo_se_nva = aux[0].strip()
titulo_lineas_nvas = aux[1].split(" y ")
else:
print("No se pudo clasificar el proyecto: ", titulo)
continue
diccionario_obras_nuevas[titulo_se_nva] = (pag_inicio, pag_final)
for linea in titulo_lineas_nvas:
diccionario_lineas_nuevas[linea.strip()] = (pag_inicio, pag_final)
elif "nueva línea" in titulo.lower() and "s/e" in titulo.lower():
print(f"El proyecto es una línea nueva y una subestación nueva: {titulo}")
# Por lo tanto, el proyecto se compone de una nueva s/e y una nueva linea.
# Por lo tanto, separaremos el titulo para almacenar cada titulo en un diccionario
# EJ: Nueva S/E Alto Molle y nueva línea 2x110 kV Alto Molle – Cóndores
aux = titulo.split(" y nueva línea")
titulo_se_nva = aux[0].strip()
titulo_linea_nva = aux[1].strip()
diccionario_obras_nuevas[titulo_se_nva] = (pag_inicio, pag_final)
diccionario_lineas_nuevas[titulo_linea_nva] = (pag_inicio, pag_final)
elif "nueva línea" in titulo.lower():
# Por lo tanto, el proyecto se compone de una nueva linea.
# Por lo tanto, almacenaremos el titulo en el diccionario de lineas nuevas
titulo = titulo.replace("Nueva línea", "").strip()
diccionario_lineas_nuevas[titulo] = (pag_inicio, pag_final)
elif "s/e" in titulo.lower():
# Por lo tanto, el proyecto se compone de una nueva s/e.
# Por lo tanto, almacenaremos el titulo en el diccionario de obras nuevas
diccionario_obras_nuevas[titulo.strip()] = (pag_inicio, pag_final)
else:
print(f"No se pudo clasificar el proyecto: {titulo}")
##############################################################################################
else:
match = re.match(r'^(.*?)\s+(\d+)$', line)
if match:
titulo = match.group(1).replace(".", "")
pag_inicio = int(match.group(2)) - 1
pag_final = pag_inicio + 3
if "s/e" in titulo.lower() and "nuevas líneas" in titulo.lower():
# Por lo tanto, el proyecto se compone de una nueva s/e y nuevas lineas.
# Por lo tanto, separaremos el titulo para almacenar cada titulo en un diccionario
# EJ: Nueva S/E Caracoles, nuevas líneas 2x220 kV Caracoles – Liqcau y 2x110 kV Guardiamarina – Caracoles
# Se almacenará en el diccionario de la siguiente manera:
aux = titulo.split(", nuevas líneas")
titulo_se_nva = aux[0]
titulo_lineas_nvas = aux[1].split(" y ")
diccionario_obras_nuevas[titulo_se_nva] = (pag_inicio, pag_final)
for linea in titulo_lineas_nvas:
diccionario_lineas_nuevas[linea] = (pag_inicio, pag_final)
elif "nueva línea" in titulo.lower() and "s/e" in titulo.lower():
print(f"El proyecto es una línea nueva y una subestación nueva: {titulo}")
# Por lo tanto, el proyecto se compone de una nueva s/e y una nueva linea.
# Por lo tanto, separaremos el titulo para almacenar cada titulo en un diccionario
# EJ: Nueva S/E Alto Molle y nueva línea 2x110 kV Alto Molle – Cóndores
aux = titulo.split(" y nueva línea")
titulo_se_nva = aux[0]
titulo_linea_nva = aux[1]
diccionario_obras_nuevas[titulo_se_nva] = (pag_inicio, pag_final)
diccionario_lineas_nuevas[titulo_linea_nva] = (pag_inicio, pag_final)
elif "nueva línea" in titulo.lower():
# Por lo tanto, el proyecto se compone de una nueva linea.
# Por lo tanto, almacenaremos el titulo en el diccionario de lineas nuevas
titulo = titulo.replace("Nueva línea", "")
diccionario_lineas_nuevas[titulo] = (pag_inicio, pag_final)
elif "s/e" in titulo.lower():
# Por lo tanto, el proyecto se compone de una nueva s/e.
# Por lo tanto, almacenaremos el titulo en el diccionario de obras nuevas
diccionario_obras_nuevas[titulo] = (pag_inicio, pag_final)
else:
print(f"No se pudo clasificar el proyecto: {titulo}")
else:
print(f"No se pudo clasificar el proyecto: {line}")
except Exception as e:
print(f"Error en la ejecución del análisis: {e}")
try:
patron_final = r"El C.O.M.A"
for diccionario in [diccionario_obras_nuevas, diccionario_lineas_nuevas]:
for titulo, paginas in diccionario.items():
for i in range(paginas[0], paginas[1]):
text = pdf.pages[i].extract_text()
if re.search(patron_final, text, re.DOTALL):
diccionario[titulo] = (paginas[0], i)
print("Obras nuevas: ")
for titulo, paginas in diccionario_obras_nuevas.items():
print(f"{titulo}: {paginas}")
print("Lineas nuevas: ")
for titulo, paginas in diccionario_lineas_nuevas.items():
print(f"{titulo}: {paginas}")
except Exception as e:
print(f"Error en la ejecución del análisis: {e}")
return diccionario_obras_nuevas, diccionario_lineas_nuevas
def extraer_descripciones(file, diccionario):
descripciones = {}
try:
with pdfplumber.open(file) as pdf:
for titulo, paginas in diccionario.items():
texto = ""
for i in range(paginas[0], paginas[1] + 1):
texto += pdf.pages[i].extract_text()
texto = texto.replace("\n", " ")
texto = texto.replace(" ", " ")
descripcion_definitiva = extraer_texto_entre_delimitadores_v2(texto, "Descripción general y ubicación", "moneda de los Estados Unidos de América")
descripciones[titulo] = descripcion_definitiva
except Exception as e:
print(f"Error en la ejecución del análisis: {e}")
return descripciones
def extraer_texto_entre_delimitadores_v2(texto, delimitador_inicial, delimitador_final):
pattern = re.compile(f"{delimitador_inicial}(.*?{delimitador_final}.*?)\.", re.DOTALL)
match = pattern.search(texto)
return match.group(0) if match else "ERROR EXTRAYENDO TEXTO"
def crear_docbin(datos_entrenamiento, nlp):
doc_bin = DocBin()
for texto, annot in datos_entrenamiento:
doc = nlp.make_doc(texto)
ents = []
for start, end, label in annot["entities"]:
span = doc.char_span(start, end, label=label)
if span is None:
continue
ents.append(span)
doc.ents = ents
doc_bin.add(doc)
return doc_bin
file = "plan_expansion_final_2023.pdf"
nlp = spacy.load("es_core_news_lg")
diccionario_obras_nuevas, diccionario_lineas_nuevas = generar_diccionario_proyectos_v2(file)
descripciones_obras_nuevas = extraer_descripciones(file, diccionario_obras_nuevas)
textos = []
for titulo, descripcion in descripciones_obras_nuevas.items():
print(f"Titulo: {titulo}")
print("\n\n")
texto = extraer_texto_entre_delimitadores_v2(descripcion, "Descripción general y ubicación", ".")
print(texto)
print("\n\n")
textos.append((str(texto)))
datos_entrenamiento = []
nlp = spacy.load("es_core_news_sm")
datos_entrenamiento = crear_datos_entrenamiento(textos, nlp, datos_entrenamiento)
file2 = "plan_expansion_definitivo_2022.pdf"
diccionario_obras_nuevas2, diccionario_lineas_nuevas2 = generar_diccionario_proyectos_v2(file2)
descripciones_obras_nuevas2 = extraer_descripciones(file2, diccionario_obras_nuevas2)
textos2 = []
for titulo, descripcion in descripciones_obras_nuevas2.items():
print(f"Titulo: {titulo}")
print("\n\n")
texto = extraer_texto_entre_delimitadores_v2(descripcion, "Descripción general y ubicación", ".")
print(texto)
print("\n\n")
textos2.append((str(texto)))
datos_entrenamiento = crear_datos_entrenamiento(textos2, nlp, datos_entrenamiento)
breakpoint()
nlp = spacy.blank("es")
docbin = crear_docbin(datos_entrenamiento, nlp)
docbin.to_disk("datos_entrenamiento.spacy")
#ahora, vamos a crear datos de dev.spacy
file = "plan_expansion_definitivo_2021.pdf"
nlp = spacy.load("es_core_news_lg")
diccionario_obras_nuevas, diccionario_lineas_nuevas = generar_diccionario_proyectos_v2(file)
descripciones_obras_nuevas3 = extraer_descripciones(file, diccionario_obras_nuevas)
textos3 = []
for titulo, descripcion in descripciones_obras_nuevas3.items():
print(f"Titulo: {titulo}")
print("\n\n")
texto = extraer_texto_entre_delimitadores_v2(descripcion, "Descripción general y ubicación", ".")
print(texto)
print("\n\n")
textos3.append((str(texto)))
datos_dev = []
nlp = spacy.load("es_core_news_sm")
datos_dev = crear_datos_entrenamiento(textos3, nlp, datos_dev)
breakpoint()
nlp = spacy.blank("es")
docbin = crear_docbin(datos_dev, nlp)
docbin.to_disk("datos_dev.spacy")