Skrypt parsera do przetwarzania treści ustaw i rozporządzeń na strukturę JSON (według paragrafów i ustępów)

Dzień dobry,

Zlecę wykonanie skryptu, który przetwarza akty prawne (np. Kodeks karny, ustawy, rozporządzenia) z formatu PDF/HTML/TXT na uporządkowaną strukturę JSON.

Parser powinien rozpoznawać i strukturyzować:

Tytuł aktu, datę uchwalenia, źródło publikacji (np. Dz.U.),

Działy, rozdziały, artykuły, paragrafy, ustępy, punkty i litery – zgodnie z typową strukturą aktów prawnych w Polsce,

Treść każdej jednostki redakcyjnej.

Przykładowe źródła: Kodeks karny (Dz.U. 1997 nr 88 poz. 553), ustawa o ochronie danych osobowych, ustawa o ochronie środowiska itd.

Preferowany język: Python (np. BeautifulSoup, regex, pdfplumber, PyMuPDF)

Dopuszczalne inne technologie, jeśli projekt będzie elastyczny i czytelny.

{

"tytul": "Kodeks karny",

"dzial": "Dz.U.1997 nr 88 poz. 553",

"data_wejscia": "1997-06-06",

"dzialy": [

{

"numer": "Dział I",

"tytul": "Zasady odpowiedzialności karnej",

"rozdzialy": [

{

"numer": "Rozdział 1",

"tytul": "Zasady ogólne",

"artykuly": [

{

"numer": "Art. 1",

"ustępy": [

{

"numer": "§ 1",

"tresc": "Odpowiedzialności karnej podlega ten tylko, kto popełnia czyn zabroniony pod groźbą kary."

},

{

"numer": "§ 2",

"tresc": "Czyn zabroniony popełniony przez osobę niepoczytalną nie stanowi przestępstwa."

}

]

}

]

}

]

}

]

}

Wymagania techniczne:

wejście: PDF (OCR lub tekstowy), HTML lub TXT,

wyjście: JSON z możliwością rozszerzenia (np. metadane),

dobrze opisany kod, najlepiej w formie modułu lub klasy, do łatwego wykorzystania w innych projektach.

Plusem będzie:

obsługa przypisów, notatek redakcyjnych, uchyleń,

odporność na błędy formatowania (np. linie łamane, podziały stron).