app/services/pdf_parser.py - master - tsps/case_loader

app/services/pdf_parser.py
58 строк2 KB
Василий Петров
[43] PdfParser
05 окт 2025, 23:13
05 окт 2025, 23:13423c8e0
import pdfplumber
from pathlib import Path
from typing import Union
import io

class PdfParser:
    def parse(self, pdf_input: Union[str, Path, bytes]) -> str:
        """
        Основной метод парсинга PDF.
        
        Args:
            pdf_input: путь к файлу (str/Path) или бинарные данные PDF (bytes)
            
        Returns:
            str: извлеченный текст из PDF

        Raises:
            FileNotFoundError: если указанный файл не существует
            ValueError: при ошибке парсинга PDF
        """
        if isinstance(pdf_input, bytes):
            return self._parse_bytes(pdf_input)
        else:
            # Обработка пути к файлу
            file_path = Path(pdf_input)
            if not file_path.exists():
                raise FileNotFoundError(f"PDF файл не найден: {file_path}")
            
            return self._parse_file(file_path)
    
    def _parse_file(self, file_path: Path) -> str:
        """Парсинг PDF из файла"""
        try:
            with pdfplumber.open(file_path) as pdf:
                return self._extract_text(pdf)
        except Exception as e:
            raise ValueError(f"Ошибка парсинга PDF файла: {str(e)}")
    
    def _parse_bytes(self, pdf_bytes: bytes) -> str:
        """Парсинг PDF из бинарных данных"""
        try:
            # Создаем файлоподобный объект из байтов
            pdf_file = io.BytesIO(pdf_bytes)
            with pdfplumber.open(pdf_file) as pdf:
                return self._extract_text(pdf)
        except Exception as e:
            raise ValueError(f"Ошибка парсинга PDF байтов: {str(e)}")
    
    def _extract_text(self, pdf) -> str:
        """Общая логика извлечения текста из открытого PDF"""
        text_parts = []
        
        for page in pdf.pages:
            page_text = page.extract_text()
            if page_text:
                text_parts.append(page_text)
        
        return '\n\n'.join(text_parts)