Skript na parsování seznamu všech okresních garantů

db/garanti/parse-okresy

+#!/usr/bin/env python3
+
+# Skript na parsování seznamu okresních garantů pro kategorie Zn.
+# ÚKMO seznam udržuje jako wordovský dokument s celkem pravidelnou strukturou,
+# pokud se pomocí LibreOffice exportuje do txt, tento skript ho dokáže z velké
+# části naparsovat. Ručně je potřeba v txt přidat pár chybějících prázdných řádků
+# mezi záznamy.
+
+from collections import defaultdict
+from dataclasses import dataclass
+from pprint import pprint
+from typing import List
+import re
+import sys
+
+regiony = { 'Praha': 'A' }
+reg_list = []
+
+with open('../regions') as reg:
+	for line in reg:
+		fields = line.rstrip().split("\t")
+
+		level = 0
+		while fields[0] == "":
+			fields.pop(0)
+			level += 1
+
+		code, name = fields
+		if level == 0:
+			pass
+		elif level == 1 or level == 2:
+			regiony[name] = code
+			reg_list.append((code, name))
+		else:
+			assert False
+
+
+@dataclass
+class Garant:
+	name: str
+	raw_name: str
+	role: str
+	emails: List[str]
+	phones: List[str]
+
+curr_g = None
+curr = None
+state = 0
+garanti = {}
+
+for line in sys.stdin:
+	line = line.strip().replace('\xa0', ' ')
+	if line.endswith(':'):
+		line = line[:-1]
+
+	if line in regiony:
+		code = regiony[line]
+		print(f"### Region {code} ({line}) ###", file=sys.stderr)
+		assert code not in garanti
+		curr_g = []
+		garanti[code] = curr_g
+		state = 0
+	elif curr_g is None:
+		print(f'> {line}', file=sys.stderr)
+	elif line == "":
+		state = 0
+	else:
+		print(f'\t{line}', file=sys.stderr)
+		if state == 0:
+			m = re.match(r'^(?P<role>(městský|krajský|oblastní) (garant|koordinátor).*)[−–-] *(?P<rest>.*)', line)
+			role = ""
+			if m:
+				role = m['role'].strip()
+				line = m['rest']
+				print(f'\t==> {role}|{line}', file=sys.stderr)
+
+			m = re.match(r'^(?P<role>((pouze )?[Kk]ategorie|Předseda)[^:]*): *(?P<rest>.*)', line)
+			if m:
+				assert role == ""
+				role = m['role'].strip()
+				line = m['rest']
+				print(f'\t==> {role}|{line}', file=sys.stderr)
+
+			m = re.match('^([^,]+)(,|$)', line)
+			assert m
+			name = m[1]
+			if m[1] is not None:
+				print(f'\t==> {m[1]}', file=sys.stderr)
+
+			role = re.sub(' +', ' ', role)
+
+			raw_name = re.sub('^((Mgr|Paed?Dr|Bc|doc|PhDr|RNDr)\. *)+', "", name)
+			print(f': {name} -> {raw_name}', file=sys.stderr)
+			curr = Garant(name=name, raw_name=raw_name, role=role, emails=[], phones=[])
+			curr_g.append(curr)
+			state = 1
+		elif state == 1:
+			p = line.split()
+			for f in p:
+				if '@' in f:
+					print(f'@ {f}', file=sys.stderr)
+					curr.emails.append(f)
+
+			for phone in re.findall(r'\b(\d{9}|\d{3} +\d{3} +\d{3})\b', line):
+				curr.phones.append(phone.replace(" ", ""))
+
+# pprint(garanti)
+
+for reg_code, reg_name in reg_list:
+	if reg_code in garanti:
+		for g in garanti[reg_code]:
+			fields = [ reg_code, reg_name, g.name, g.raw_name, g.role, "/".join(g.phones), *g.emails ]
+			print("\t".join(fields))
+	else:
+		print(f'!!! Chybí garant pro region {reg_code}')