#!/bin/bash
#
# cenitdistricttotext
#
# Script qui convertit les fichiers PDF par région / district de la CENIT
# en un fichier plat plus facilement exploitable
#
# Copyright 2013 Barijaona Ramaholimihaso (http://blog.barijaona.com)
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# http:#www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
#
# référence technique pour les choses les plus mystérieuses : sed one liners http://sed.sourceforge.net/sed1line_fr.html
# et/ou http://www.corporesano.org/doc-site/grepawksed.html
Filename="consolidation.txt"
rm -f $Filename
#
# on part d'un fichier PDF par région
# à récupérer avec un aspirateur de site Web comme SiteSucker
# L'adresse à aspirer est http://www.cenit-madagascar.mg/res/Recap_Region_.php
#
for i in *.pdf
do
# récupérer dans un fichier temporaire la conversion en texte du PDF
#
# pdftotext est une petite partie du package Xpdf http://www.foolabs.com/xpdf/home.html
# Mac OS X version : http://www.bluem.net/en/mac/packages/
pdftotext -enc UTF-8 -nopgbrk "$i" buffer.txt
# récupérer les lignes contenant 'Votants', 'obtenues' ou 'Total'
egrep -e .*Votants.* -e .*obtenues.* -e .*Total.* buffer.txt |\
# éliminer les données après tout signe %
# (c'est les numéros des candidats et autres choses qui prêtent à confusion à cause des sauts de pages)
sed 's@%.*@%@g' |\
# fusionner les lignes commencant par un chiffre avec la ligne précédente
# (ruptures de données provoquées par les sauts de pages)
sed -e :a -e '$!N;s/\n\([0-9]\)/ \1/;ta' -e 'P;D' |\
# fusionner les lignes deux à deux
sed '$!N;s/\n/ /'|\
# supprimer éventuellement le nom de la région qui reste souvent accroché au premier district
sed 's@REGION: \(.*\)District:@District:@' |\
# remplacer l'espace après "District:" et l'espace avant "Inscrits:" par une tabulation
awk '{ gsub("District.?.", "District:\t") ; print $0 }' |\
awk '{ gsub(" Inscrits:", "\tInscrits:") ; print $0}' |\
# mettre en début de ligne le nom de la région et une tabulation
awk -v region=`basename "$i" pdf` '{printf region; printf "\t" ; print}' >> $Filename
# TODO : non parfait
# vous aurez à redistribuer dans Excel ou Open Office la colonne 4 en précisant comme séparateur l'espace
# puis, à supprimer les colonnes non pertinentes
done
rm buffer.txt