script scraping data e ijazah

gistfile1.txt

import PyPDF2
import pandas as pd
import re

# Ganti dengan nama file PDF Anda jika berbeda
pdf_file_path = 'ijazah_SMKW9.pdf'

extracted_data = []

try:
    with open(pdf_file_path, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        num_pages = len(reader.pages)

        print(f"Mulai mengekstrak data dari {num_pages} halaman...")

        for i in range(num_pages):
            page = reader.pages[i]
            text = page.extract_text()

            no_ijazah = None
            nama_siswa = None
            ttl = None
            nisn = None
            bidang_program_kompetensi_keahlian = None # Variabel tunggal untuk menampung salah satu dari ketiganya

            # Regex untuk Nomor Ijazah
            ijazah_match = re.search(r'No\.\s*Ijazah:\s*(\d{15})', text, re.IGNORECASE)
            if ijazah_match:
                no_ijazah = ijazah_match.group(1).strip()
            else:
                ijazah_match_alt = re.search(r'No\.\s*Ijazah:\s*(\d+\s*\d+)', text, re.IGNORECASE)
                if ijazah_match_alt:
                    no_ijazah = ijazah_match_alt.group(1).replace(" ", "").strip()

            # Regex untuk Nama Siswa
            nama_match = re.search(r'Dengan ini menyatakan bahwa:\s*\n\s*(.*?)\n', text, re.IGNORECASE | re.DOTALL)
            if nama_match:
                nama_siswa = nama_match.group(1).strip()
                if "tempat, tanggal lahir" in nama_siswa:
                    nama_siswa = nama_siswa.split("tempat, tanggal lahir")[0].strip()
                if "Nomor Induk Siswa Nasional" in nama_siswa:
                    nama_siswa = nama_siswa.split("Nomor Induk Siswa Nasional")[0].strip()
            else:
                nama_match_alt = re.search(r'(?<=Yang bertanda tangan di bawah ini menyatakan bahwa:\s*\n)(.*?)(?=\nNomor Induk Siswa Nasional)', text, re.IGNORECASE | re.DOTALL)
                if nama_match_alt:
                    nama_siswa = nama_match_alt.group(1).strip()

            # Regex untuk Tempat, Tanggal Lahir
            ttl_match = re.search(r'tempat,\s*tanggal\s*lahir:\s*(.*?)\n', text, re.IGNORECASE)
            if ttl_match:
                ttl = ttl_match.group(1).strip()

            # Regex untuk Nomor Induk Siswa Nasional (NISN)
            nisn_match = re.search(r'Nomor Induk Siswa Nasional:\s*(\d{9,10})', text, re.IGNORECASE)
            if nisn_match:
                nisn = nisn_match.group(1).strip()

            # Regex untuk Kompetensi Keahlian, Konsentrasi Keahlian, Program Keahlian, atau Bidang Keahlian
            # Prioritaskan Kompetensi Keahlian terlebih dahulu
            kompetensi_keahlian_match = re.search(r'Kompetensi Keahlian\s*:\s*(.*?)\n', text, re.IGNORECASE)
            if kompetensi_keahlian_match:
                bidang_program_kompetensi_keahlian = kompetensi_keahlian_match.group(1).strip()
            else:
                konsentrasi_keahlian_match = re.search(r'Konsentrasi Keahlian\s*:\s*(.*?)\n', text, re.IGNORECASE)
                if konsentrasi_keahlian_match:
                    bidang_program_kompetensi_keahlian = konsentrasi_keahlian_match.group(1).strip()
                else:
                    program_keahlian_match = re.search(r'Program Keahlian\s*:\s*(.*?)\n', text, re.IGNORECASE)
                    if program_keahlian_match:
                        bidang_program_kompetensi_keahlian = program_keahlian_match.group(1).strip()
                    else:
                        bidang_keahlian_match = re.search(r'Bidang Keahlian\s*:\s*(.*?)\n', text, re.IGNORECASE)
                        if bidang_keahlian_match:
                            bidang_program_kompetensi_keahlian = bidang_keahlian_match.group(1).strip()


            # Hanya tambahkan data jika setidaknya Nomor Ijazah ditemukan
            if no_ijazah or nama_siswa or nisn or ttl or bidang_program_kompetensi_keahlian:
                extracted_data.append({
                    'Halaman': i + 1,
                    'No. Ijazah': no_ijazah,
                    'Nama Siswa': nama_siswa,
                    'Tempat, tanggal lahir': ttl,
                    'Nomor Induk Siswa Nasional': nisn,
                    'Bidang/Program/Kompetensi Keahlian': bidang_program_kompetensi_keahlian # Kolom baru
                })

        print(f"Total {len(extracted_data)} data berhasil diekstraksi.")

        # Buat DataFrame dari data yang diekstrak
        df = pd.DataFrame(extracted_data)

        # Simpan DataFrame ke file Excel
        output_excel_file = 'data_ijazah_all.xlsx'
        df.to_excel(output_excel_file, index=False)

        print(f"Data lengkap berhasil disimpan ke '{output_excel_file}'")

except FileNotFoundError:
    print(f"Error: File '{pdf_file_path}' tidak ditemukan. Pastikan nama file dan lokasi sudah benar.")
except Exception as e:
    print(f"Terjadi kesalahan: {e}")