Skip to content
rodigrorodriguesPublic

About

OCR de PDF com Tesseract + Google Gemini: renderiza cada página (PyMuPDF), extrai o texto por OCR e usa o Gemini para devolver só os campos de interesse — ex.: nome e CPF do devedor em formato NOME ; CPF.

Topics

Resources

Stars

0 stars

Watchers

1 watching

Forks

Latest commit

 

History

3 Commits

Folders and files

NameName
Last commit message
Last commit date
 
 
 
 
 
 

Repository files navigation

PyAI-Scan — OCR de PDF com Tesseract + Gemini

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.

O que ele faz

  • 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_tokens e 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.

Requisitos

Instalação

pip install -r requirements.txt

Configuração

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).

Uso

  1. Aponte o caminho do PDF na variável pdfPath, no fim do main.py;
  2. Rode:
python main.py

A saída é o resultado do modelo impresso no terminal.

Estrutura

main.py             # OCR do PDF + chamada ao Gemini
requirements.txt    # dependências (PyMuPDF, pytesseract, google-generativeai, Pillow)

Contribuindo

Fork + pull request. Se for mudar o campo extraído, ajuste o prompt dentro de generateContentWithAI.

Licença

Nenhuma licença definida até o momento — entre em contato antes de reutilizar.

About

OCR de PDF com Tesseract + Google Gemini: renderiza cada página (PyMuPDF), extrai o texto por OCR e usa o Gemini para devolver só os campos de interesse — ex.: nome e CPF do devedor em formato NOME ; CPF.

Topics

Resources

Stars

0 stars

Watchers

1 watching

Forks

Releases

Packages

Used by

Contributors

Languages