ppt-commitment-parser

ppt-commitment-parser

將施政報告或施政綱要 PDF 轉換成 CSV 的工具。 PDF 檔必須要用公文書格式進行標號（階層依序為「壹、」「一、」「(一)」「1、」「(1)」「甲、 或 Ａ.」，系統會處理半型全型的差異），方能處理。

Usage

CLI

$ commitment-parser <options> PDF檔名

範例與說明都寫在 ppt-parser --help。

Library

import pdftojson from 'pdftojson';
import parser from 'ppt-commitment-parser';

pdftojson(PDF路徑).then(pdfData => {
  var parsedData = parser(pdfData, parserOption);
  // parsedData 格式請見下「陣列輸出」
})

Output Format

輸入 PDF 範例

以桃園市議會第 1 屆第 1 次定期會的市長施政報告第 14 頁的某段文字為例：

CSV 輸出（CLI）

# 前 6 個固定是分層，第 7 個是頁碼，第 8、9 是左上點 x、y 坐標（pt），第 10 個是內文
# 坐標為最小的標題的坐標，以頁面左下角為原點。。
"政策規劃與執行","捷運城市","發展無縫公共運輸","推動捷運建設","","",14,80,454,"為配合//⋯⋯"
"政策規劃與執行","捷運城市","發展無縫公共運輸","推動捷運建設","航空城捷運線(綠線)","",14,109,556,"航空城捷運線(綠線)總長約//⋯⋯"
# ...

Array 輸出（Library）

[
  {
    number: 2,
    numberCH: '貳',
    text: '政策規劃與執行',
    page: 14,
    coord: [55, 373], // 頁面左下點為原點，單位：pt
    items: [
      {
        number: 1,
        numberCH: '一',
        text: "捷運城市",
        page: 14,
        coord: [55, 402],
        items: [
          {
            number: 1,
            numberCH: '(一)',
            text: '發展無縫公共運輸',
            page: 14,
            coord: [62, 427],
            items: [
              {
                number: 1,
                numberCH: '1',
                text: '推動捷運建設',
                page: 14,
                coord: [80, 454],
                items: [
                  // text-only
                  {
                    text: '為配合航空城發展/* ⋯⋯ */及優質適居的低碳生態環境。',
                    page: 14,
                    coord: [132, 480]
                  },
                  { // text with number
                    number: 1,
                    numberCH: '(1)',
                    text: '航空城捷運線(綠線)',
                    page: 14,
                    coord: [109, 556]
                    items: [ /* ... */ ]
                  }, // ...
                ]
              }
            ]
          }, //...
        ]
      }, //...
    ]
  }, // ...
]

Error Handling

pdftojson(PDF路徑, {onError: (errType, errPayload) => {}}) // returns a promise

onError callback 的 this 會被設成 LineMachine instance，因此可以存取 LineMachine 的 method （請見 LineMachine 的實作）。

errType === 'PARSE_NUM'

errPayload === {
  input // 中文數字
}

errPayload.input 無法被轉為數字。

errType === 'NUMBER_MISMATCH'

errPayload === {
  text, // 出錯的該行文字
  page, // 出錯文字所在頁碼
  number, // 出錯文字的標號（已轉數字）
  lastSiblingSection, // 同層前一 Section instance（若出錯的是該層第一項，則為 undefined）
}

各層標題應該要從 1 開始而且連續，若有數字不連續的狀況，就會觸發此 error。

errType === 'LEVEL_MISMATCH'

errPayload === {
  text, // 出錯的該行文字
  page, // 出錯文字所在頁碼
  coord, // 出錯文字所在頁面坐標（左下為原點，單位 pt）
  level, // 標題層級（-1 為頂層，0 為「壹、」，6 為「甲、」）
  lastLevel, // 前文標題層級
  numberCH // 出錯文字的標號
}

errPayload.text 的標題階層與所在之前文不符。

標題階層應依序為「壹、」、「一、」、「（一）」、「1、」、「（1）」、「甲、」六層。 若某一行突然向下太多層（例如說原本在「一、」，突然有一行用「1、」標號），就會觸發此 error。