Информация для администраторов СЭД «Обращения граждан»

2 марта 2017 рабочей группой при Администрации Президента РФ утвержден новый типовой общероссийский тематический классификатор обращений граждан, организаций и общественных объединений. Файл разослан в регионы в PDF.

Для тех, кто будет парсить текст, и редко работает с re, напомню выражение для Питона:
Исходный список:
…
0002.0013.0140.0282 Управление в сфере научной и научно-технической деятельности
0002.0013.0140.0282.0006 Иные подвопросы
…
r'((([\d]{4}\.){3,4}[\d]{4})([\s\S]+?))[\d]{4}\.'
возвращает фрагмент текста,
имеющий начало (код вопроса):
(([\d]{4}\.){3,4}[\d]{4}) — три или четыре группы по 4 цифры с точкой + еще 4 цифры

середину:
([\s\S]+?) — текст вопроса

и конец:
[\d]{4}\. — 4 цифры с точкой (код следующего вопроса)


match.groups()[1] — код вопроса
match.groups()[3] — текст вопроса

Не забудьте, что
re не ищет с перекрытием, re.findall и re.finditer вернут только нечетные вопросы,
re не ищет до конца файла, последний вопрос пропадет (поправьте, если я не прав).

Забрать pdf-оригинал и уже распарсенный текст можно здесь

П.С.
Добавлено 32 вопроса, ошибки остались:
вопрос «0003.0009.0103.0613 — Ритуальные услуги»
так и остается в теме «0003.0009.0103.0000 — Общественное питание»

Я писал А.В. Попову, чтобы исправили. Видимо это сложно.