0

introducir la descripción de la imagen aquíNecesito reordenar la data que tengo en un archivo de texto, todo está mezclado, sin separadores y no tengo el conocimiento para separar los datos por tipos en diferentes columnas, una columna para str y otra para float. El archivo es descomunalmente grande. ¿Cómo puedo gestionar este tipo de problemas?

  1. El archivo inicial esta en PDF, su estructura más o menos es:

Ecode | Id | Name | salary | birthdate | income

  1. El problema es que luego hay otros datos aislados y desordenados en forma vertical, entre estos: deducciones, deducciones SSO, impuestos y otros...

Al pasar el archivo a texto con el PDF to TXT, se perdió la tabulación y el orden de los archivos, todo queda en una sola columna cuando lo paso a Excel (además es demasiado grande y pesado el archivo).

9
  • 1
    MRivas, te recomiendo que expongas el problema de forma concreta, es decir que incluyas un ejemplo mínimo verificable. Ni siquiera sabemos de que estás hablando, si puedes usar slices, split(), etc. Simplemente no está claro lo que preguntas por lo que tu pregunta corre el riego de ser cerrada. Usa este enlace editar.
    – toledano
    el 17 may. 2017 a las 19:30
  • 2
    Bienvenido a Stack Overflow en español MRivas, como dice toledano necesitamos más datos para poder ayudarte, ejemplo mínimo del archivo de texto (para ver tipos de datos, estructura, etx), como quieres reordenarlos, salida esperada, posibilidad de usar librerias externas como Pandas, que has intentado hasta el momento, etc. Ten en cuenta que con lo que proporcionas nosotros no sabemos nada, solo que quieres reordenar un archivo de texto que tiene algún tipo de datos con una estructura indefinida usando Python. Saludos.
    – FJSevilla
    el 17 may. 2017 a las 19:45
  • Gracias por responder tan rapido, he tratado de abrir el archivo original con python para ver si mantiene la estructura, pero no consigo viusalizarlo con los modulos, intente con import PyPDF2 - pero da un error dice que no es un codigo binario
    – MRivas
    el 18 may. 2017 a las 18:17
  • Es casi imposible poder ayudarte sin tener acceso alguno al archivo para ver como abordarlo. Debes mantener la estructura al pasarlo a rchivo de texto, manteniendo las tabulaciones o cambiandolas por comas para separar las columnas. El error con PyPDF2 puede deberse a que no abres el archivo en modo binario: open(filename, 'rb'). Sobre esto puedes poner el código que usas en la pregunta y el error y te ayudamos. Sobre extraer los datos es complicado sin tener acceso al pdf, si al menos pudieras compartir parte del pdf se podria intentar. ¿El pdf es todo datos en columnas separados por tabs?
    – FJSevilla
    el 19 may. 2017 a las 3:36
  • Debes mostrar al menos una parte pequeña del archivo de texto. Un editor hexadecimal para poder visualizarlo puede ayudar para copiarlo. Con dos o tres columnas es más que suficiente.
    – user13558
    el 21 may. 2017 a las 23:29

0

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

Examina otras preguntas con la etiqueta o formula tu propia pregunta.