استخراج داده از PDF فارسی و ساخت دیتابیس با پایتون
یک ماه پیش منتشر شده
تعداد بازدید: 383
کد پروژه: 582777
شرح پروژه
شرح پروژه:
ما مجموعهای شامل حدود ۵۰۰۰ فایل PDF از قبوض مصرفی مشترکان به زبان فارسی داریم که این قبوض در ۷ قالب و فرمت متفاوت صادر میشوند. هدف پروژه، استخراج اطلاعات کلیدی از جداول این قبوض (شناسه قبض، تاریخ، میزان مصرف، مبلغ و ...) و ذخیره ساختیافتهی آنها در یک پایگاه داده محلی است.
مهارتهای مورد نیاز:
تسلط کامل به Python
تسلط به کتابخانههای pdfplumber، PyMuPDF، pdfminer.six
آشنایی با pytesseract برای OCR فارسی
توانایی استخراج و نرمالسازی دادهها از چند نوع قالب PDF
تسلط به SQL یا MongoDB برای ذخیره دادهها
تجربهی عملی در کار با دادههای فارسی و جداول PDF
مهارت در Regex و پاکسازی داده
آشنایی با Pandas و خروجی Excel یا CSV
مهارت ها و تخصص های مورد نیاز
مهلت برای انجام
5روز
وضعیت مناقصه
در حال انجام
درباره کارفرما
عضویت چهار ماه پیش
