-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathdb_ticket_parser.py
280 lines (236 loc) · 11.8 KB
/
db_ticket_parser.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
#!/usr/bin/env python
# coding=utf-8
"""
db_ticket_parser.py
Extract the important information from the Deutsche Bahn Online-Tickets.
"""
import csv
import glob
import math
import os
import pdfquery
import re
import sys
from datetime import datetime
from functools import reduce
from prettytable import PrettyTable
ticket_table_header = []
ticket_table = []
# Helper Functions
def get_time(text):
try:
found = re.search('[0-9]{2}:[0-9]{2}', text).group(0)
except AttributeError:
found = ''
return found
def get_date(text):
try:
found = re.search('[0-9]{2}.[0-9]{2}.[0-9]{4}', text).group(0)
except AttributeError:
found = ''
return found
def delete_all(text, elem):
return reduce(lambda x, y: x.replace(y, ''), elem, text).strip()
def trunc_stationname(text):
return reduce(lambda x, y: x.replace(y, ''), ["+City", " RNV"] + ['Hinfahrt: ', 'Rückfahrt: '], text.split(", ")[0]).strip()
def time_diff(start, end):
if start == "" or end == "": # Error Handling empty String
return ""
start = datetime.strptime(start, "%H:%M")
end = datetime.strptime(end, "%H:%M")
time_delta = int((end - start).total_seconds())
#time_delta = abs(time_delta) if time_delta < 0 else time_delta
days, time_delta = divmod(time_delta, 86400)
hours, time_delta = divmod(time_delta, 3600)
minutes, seconds = divmod(time_delta, 60)
if days == 0:
return "{:02d}:{:02d}".format(hours, minutes)
else:
return "{} days, {:02d}:{:02d}".format(days, hours, minutes)
# Function to find last Tim in PDF
def arrival_time(pdf):
rueck_head = []
go_up = 0
while len(rueck_head) <= 0:
go_up+=10
rueck_head = pdf.pq('LTTextLineHorizontal:in_bbox("%s, %s, %s, %s")' % (10, 0, 350, go_up)) \
.filter(lambda i, e: e.layout.get_text().startswith('ab ') and ":" in e.layout.get_text())
if go_up > 1000:
go_up = -1
break
return go_up
def parse_time_box(pdf, x0, y0, x1, y1, w):
hin_line = pdf.pq('LTTextLineHorizontal:in_bbox("%s, %s, %s, %s")' % (x0, y0, x1, y1)).filter(lambda i, e: e.layout.get_text()\
.strip().startswith(w))[0].layout.get_text()
return get_time(hin_line)
# Add Entry to Table
def add_tableentry(modi, ticket_id, price, validity, ticket_type, klasse, pers, hin_ab_ort, hin_abfahrt, hin_an_ort,
hin_ankunft, rueck_hin, rueck_abfahrt,rueck_nach, rueck_ankunft, zugtyp):
if modi == "all":
global ticket_table
ticket_table += [[ticket_id, price, validity, ticket_type, klasse, pers,
re.sub(r"\d{2}:\d{2}", r"(\g<0>)", hin_ab_ort + hin_abfahrt),
re.sub(r"\d{2}:\d{2}", r"(\g<0>)", hin_an_ort + hin_ankunft),
time_diff(hin_abfahrt, hin_ankunft),
re.sub(r"\d{2}:\d{2}", r"(\g<0>)", rueck_hin + rueck_abfahrt),
re.sub(r"\d{2}:\d{2}", r"(\g<0>)", rueck_nach + rueck_ankunft),
time_diff(rueck_abfahrt, rueck_ankunft), zugtyp]]
global ticket_table_header
ticket_table_header = ['Auftrag', 'Summe', 'Datum', 'Ticket', 'Kl.', 'Pers.', 'Hin - Ab', 'Hin - An',
'Hin - Dauer', 'Rück - Ab','Rück - An', 'Rück - Dauer', 'Zugtyp']
elif modi == "steuer":
pass
else:
print("\nUnknown Modi: Use 'all' or 'steuer'")
sys.exit(0)
# Display Function
def show_table():
print("\n")
t = PrettyTable(ticket_table_header)
for i in range(len(ticket_table)):
t.add_row(ticket_table[i])
print(t)
# Export Function
def write_table():
with open('bahn.csv', 'w', newline='') as csvfile:
writer = csv.writer(csvfile, delimiter=';')
for i in range(len(ticket_table)):
writer.writerow(ticket_table[i])
# Main Program
# Modi e (all, steuer)
def ticket_parser(directory_name="Bahn", limit_year="", modi="all"):
try:
os.chdir(directory_name)
except: # Exception nicht weiter spezifiziert weil OS abhänig
print(os.getcwd())
raise
ticket_table = {}
ticket_count = 0
for filename in glob.iglob('*.pdf'):
print('.', end='', flush=True)
ticket_count += 1
pdf = pdfquery.PDFQuery(filename)
pdf.load(0)
# Gültigkeit - Startdatum
validity = pdf.tree.xpath("//LTTextLineHorizontal[starts-with(.,'Gültigkeit: ') or "
"starts-with(.,'Fahrtantritt am ')]")[0].text
validity = get_date(validity)
if limit_year not in validity: # Limit year option
continue
# TicketArt
ticket = pdf.tree.xpath("//LTTextLineHorizontal[starts-with(.,'Flexpreis') or starts-with(.,'Sparpreis') or "
"starts-with(.,'bahn.bonus Freifahrt') or starts-with(.,'Normalpreis')][1]")[0].text.split('(')
ticket_option = ticket[0]
ticket_type = ticket[1][:-2].replace("Hin- und Rückfahrt", "2 Wege").replace("Einfache Fahrt", "Einfach")
# Erkenne Routenelemene
# ... sind unen begrenzt von der Über - Info oder einem Satz
infobox_bm = pdf.pq('LTTextLineHorizontal:contains("Über: ")') # Nutze Zwischenstop-Info als untere Schranke
umtausch_bool = (len(infobox_bm) == 0) # Existiert die Zwischenstop-Info nicht ...
if umtausch_bool:
infobox_bm = pdf.pq('LTTextLineHorizontal' # ... nutze Satz als untere Schranke
':contains("Umtausch/Erstattung kostenlos bis 1 Tag vor Reiseantritt (Hinfahrt).")')
#UMTAUSCH / ERSTATTUNG KOSTENPFLICHTIG AB 1. GELTUNGSTAG
# ... sind nach oben begrenzt durch den 'Erw.'-Text
infobox_tp = math.ceil(float(pdf.tree.xpath("//LTTextLineHorizontal[starts-with(.,'Erw:')]")[0].layout.bbox[1]))
route = pdf.pq('LTTextLineHorizontal:in_bbox("%s, %s, %s, %s")' # Startpunkt unten links - Endpunkt oben rechts
% (float(infobox_bm.attr('x0'))-5, float(infobox_bm.attr('y0'))-5, 350, infobox_tp+5))
# Zwischenstopps
if umtausch_bool:
ueber = "Keine Zwischenstopps"
else:
ueber = route.filter(lambda i, e: all(s not in e.layout.get_text() # Wörter welche nicht vorkommen dürfen
for s in ['Hinfahrt:', 'Über:','Rückfahrt:', 'Umtausch/Erstattung']) and
any(s in e.layout.get_text() for s in ['VIA:', '*', ':']))[0].layout.get_text().strip()
ueber = delete_all(ueber, ['VIA: '])
# Reiseverbindung - Boxen
hin_head = pdf.tree.xpath("//LTTextLineHorizontal"
"[contains(.,'Ihre Reiseverbindung und Reservierung Hinfahrt am')]")[0]
rueck_head = pdf.tree.xpath("//LTTextLineHorizontal"
"[contains(.,'Ihre Reiseverbindung und Reservierung Rückfahrt am')]")
rueck_onpage = len(rueck_head) > 0
if rueck_onpage:
rueck_head = rueck_head[0]
# Hinfahrt
# ... Abfahrtzeit
hin_abfahrt = parse_time_box(pdf, hin_head.layout.bbox[0], hin_head.layout.bbox[1]-35,
hin_head.layout.bbox[2], hin_head.layout.bbox[1], 'ab ')
# ... Ankunftzeit
if not rueck_onpage:
hin_ankunft = parse_time_box(pdf, hin_head.layout.bbox[0], 0 , hin_head.layout.bbox[2],
arrival_time(pdf), 'an ')
else:
hin_ankunft = parse_time_box(pdf, rueck_head.layout.bbox[0], rueck_head.layout.bbox[3],
rueck_head.layout.bbox[2], rueck_head.layout.bbox[3]+25, 'an ')
# ... Abfahrtort
hin_ab_ort = route.filter(lambda i, e: 'Hinfahrt:' in e.layout.get_text())[0].layout.get_text()
hin_ab_ort = trunc_stationname(hin_ab_ort)
# ... Ankunftort
hin_an_ort = route.filter(lambda i, e: all(s not in e.layout.get_text() for s in ['Hinfahrt:', 'Über:',
'Rückfahrt:', 'Umtausch/Erstattung',hin_ab_ort, ueber]))[0].layout.get_text()
hin_an_ort = trunc_stationname(hin_an_ort)
# Rückfahrt
if "Einfach" in ticket_type:
rueck_hin = ""
rueck_nach = ""
else:
rueck_hin = route.filter(lambda i, e: 'Rückfahrt:' in e.layout.get_text())[0].layout.get_text()
rueck_hin = trunc_stationname(rueck_hin)
rueck_nach = route.filter(lambda i, e: all(s not in e.layout.get_text() for s in ['Hinfahrt:', 'Über:',
'Rückfahrt:','Umtausch/Erstattung',rueck_hin, ueber]))[0].layout.get_text()
rueck_nach = trunc_stationname(rueck_nach)
# Ticketpreis
label_price = pdf.pq('LTTextLineHorizontal:contains("Summe")')
price = pdf.pq('LTTextLineHorizontal:in_bbox("%s, %s, %s, %s")' % (float(label_price.attr('x0')) + 100,
float(label_price.attr('y0')), float(label_price.attr('x0')) + 150,
float(label_price.attr('y0')) + 15)).text()
# Auftragsnummer
ticket_id = pdf.pq('LTTextLineHorizontal:overlaps_bbox("36, 19, 72, 28")').text()
# Klasse
klasse_box = pdf.tree.xpath("//LTTextLineHorizontal[starts-with(.,'Klasse:')][1]")[0].layout.bbox
klasse = pdf.pq('LTTextLineHorizontal:overlaps_bbox("%s, %s, %s, %s")' %
(klasse_box[2], klasse_box[1], klasse_box[2]+50, klasse_box[3])).text().strip()
# Personenanzahl
pers_box = pdf.tree.xpath("//LTTextLineHorizontal[starts-with(.,'Klasse:')][1]")[0].layout.bbox
pers = pdf.pq('LTTextLineHorizontal:overlaps_bbox("%s, %s, %s, %s")' %
(klasse_box[2], klasse_box[1], klasse_box[2]+200, klasse_box[3])).text().split(",")[0].strip()
# Zugtyp
zugtyp = pdf.tree.xpath("//LTTextLineHorizontal[contains(.,'Fahrkarte')][1]")[0].text \
.replace("Fahrkarte", "").strip()
zugtyp = "RE/RB" if zugtyp == "" else zugtyp
# Rückfahrt - Zeit
rueck_abfahrt = ""
rueck_ankunft = ""
if not ("Einfach" in ticket_type):
if not rueck_onpage:
pdf.load(1)
rueck_head = pdf.tree.xpath("//LTTextLineHorizontal"
"[contains(.,'Ihre Reiseverbindung und Reservierung Rückfahrt am')]")[0]
# Abfahrt
rueck_abfahrt = parse_time_box(pdf, rueck_head.layout.bbox[0], rueck_head.layout.bbox[1]-50,
rueck_head.layout.bbox[2], rueck_head.layout.bbox[1], 'ab ')
# Ankunft
rueck_ankunft = parse_time_box(pdf, rueck_head.layout.bbox[0], 0 , rueck_head.layout.bbox[2],
arrival_time(pdf), 'an ')
# Add Row
add_tableentry(modi, ticket_id, price, validity, ticket_type, klasse, pers, hin_ab_ort, hin_abfahrt, hin_an_ort,
hin_ankunft, rueck_hin, rueck_abfahrt, rueck_nach, rueck_ankunft, zugtyp)
show_table()
write_table()
if __name__ == '__main__':
try:
if len(sys.argv)>1:
ticket_parser(sys.argv[1])
else:
ticket_parser()
except KeyboardInterrupt:
print('\nBerechnung abgebrochen')
try:
sys.exit(0)
except SystemExit:
os._exit(0)
# TODO differnt modi -> Steuer oder all
# TODO Refractoring
# Make it a class
# Math floor useful
# Each attribute Function useful?
# Statt Satz Zahlungspositionen und Preis bis ????