app.py

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

# #files = [f for f in os.listdir("/Users/andreeabodea/") if f.endswith(".pdf")]
# #print(files)

"""
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(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)):
#         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 process_pdf(path):
    
    doc = pdfplumber.open(io.BytesIO(path))

    return doc

    # results_dict = {}
    # 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")
    # """
    # return results_dict

    #json_string = json.dumps(results_dict, indent=4)
    #print(json_string)

# Define the Gradio interface
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()