Script em Python que roda OCR em cada página de um PDF (PyMuPDF + Tesseract) e manda o texto reconhecido para o Google Gemini, que devolve só o que interessa. O caso de uso que ele resolve hoje: extrair o nome e o CPF do devedor de documentos digitalizados, em uma string NOME ; CPF pronta para colar em planilha.
- Abre o PDF com PyMuPDF (
fitz), renderiza cada página em PNG e passa pelo Tesseract (pytesseract) — serve para PDF escaneado, sem camada de texto; - Envia o texto extraído ao Google Gemini (
gemini-1.5-flash) com um prompt que isola os campos desejados; - Deixa configuráveis
temperature,top_p,top_k,max_output_tokense as categorias de segurança do modelo; - Imprime o resultado no terminal.
Prova de conceito de automação de extração de dados: o prompt é uma função isolada (generateContentWithAI), então trocar o campo extraído é editar uma linha.
- Python 3.6+
- Tesseract OCR instalado (instalador Windows ou
apt install tesseract-ocr); - Chave da API do Google Generative AI (Google AI Studio).
pip install -r requirements.txt| Variável | O que é |
|---|---|
TESSERACT_CMD |
Caminho do executável do Tesseract (no Windows, ex.: C:\Program Files\Tesseract-OCR\tesseract.exe) |
GEMINI_API_KEY |
Sua chave da API do Gemini |
O idioma do OCR está fixo em lang="en" na chamada do pytesseract — para documentos em português, troque por lang="por" (e instale o pacote de idioma do Tesseract).
- Aponte o caminho do PDF na variável
pdfPath, no fim domain.py; - Rode:
python main.pyA saída é o resultado do modelo impresso no terminal.
main.py # OCR do PDF + chamada ao Gemini
requirements.txt # dependências (PyMuPDF, pytesseract, google-generativeai, Pillow)
Fork + pull request. Se for mudar o campo extraído, ajuste o prompt dentro de generateContentWithAI.
Nenhuma licença definida até o momento — entre em contato antes de reutilizar.