Vlákno názorů ke zprávičce Ministerstvo financí zveřejnilo dvanáctou verzi blacklistu nepovolených hazardních her od andrej - "open-source automatický parser PDF dokumentů ministerstva s webovým...

"open-source automatický parser PDF dokumentů ministerstva s webovým rozhraním a API" ma dostal

ved naco robit za peniaze platcov dani nieco uzitocne ked mozeme vydavat informacie v neuzitocnej forme a zakonom zabezpecit ze aj tak to platcovia dani budu citat.

ale co, mozeme byt radi ze to nedavaju v jednobitovych tiffoch, ved to bol pred par desatrociami celkom pouzivany format.

Spis se divim, ze se z toho delala takova afera. To pdf zvladne rozparsovat kazdy za 2 minuty.

No ale přeci jen zde máme spoustů jiných formátů daleko vhodnějších pro strojové spracování než pdf. Nadruhou stranu většina úředníků je spíše zvyklá na práci typu vytiskni a přepiš, kde to pdf dává smysl.

kdo to chce zpracovávat strojově, tak to zvládne za pár minut a nemá potřebu se rozčilovat. Podle mě to řeší manažerské typy, kteří mají potřebu prokazovat, že jim to politicky myslí (nadávat na Babiše).

jde využít datumů za doménou

import re
from subprocess import check_output

def domains(pdf):
    txt = check_output(['pdftotext', pdf, '-']).decode()
    domain = r'[\w\.\-]+\.\w{2,4}'
    date = r'\d{1,2}\.\d{1,2}\.\d{4}'
    return re.findall(f'\n({domain})\n\n{date}\n', txt)

1. 8. 2019, 10:25 editováno autorem komentáře

A jakou máš garanci, že ti to bude fungovat i na další verzi toho seznamu?

Pro to nadávat na Bureše je důvodů tolik, že další není potřeba.

To je moc hezké řešení. A teké moc křehké.

Ta afera, pokud vim, teprve zacne az se zacnou odstranovat domeny ze seznamu. Protoze tehdejsi tvrzeni bylo, ze ta domena z toho listu nezmizi, jen se "zacerni" ci co. A teprve v tu chvili budu zvedavy na automaticky parser se 100% zarukou spolehliveho rozparsovani.