OCR + Indización de PDFs

Proyecto para extraer nombres desde PDFs (primera página) utilizando TrOCR y subir los resultados a PostgreSQL.

Resumen

• Extrae texto de la primera página de PDF, aplica limpieza (eliminación de líneas) y correcciones con regex, e inserta/actualiza la indización en la base de datos.
• Modelo OCR: microsoft/trocr-large-printed.

Requisitos

• Python 3.8 o superior
• Poppler (requerido por pdf2image). En Windows puede instalarse desde: http://blog.alivate.com.au/poppler-windows/

Instalación rápida

1. Crear y activar un entorno virtual:

python -m venv .venv
.venv\Scripts\activate  # Windows

2. Instalar dependencias:

pip install -r requirements.txt
# Instale torch adecuado para su entorno (CPU/GPU) según https://pytorch.org
pip install torch

3. Copiar y editar variables de entorno:

copy .env.example .env
# editar .env con credenciales DB

Variables de entorno (ejemplo en .env.example)

• DB_HOST - Host de la base de datos
• DB_NAME - Nombre de la base de datos
• DB_USER - Usuario
• DB_PASSWORD - Contraseña
• DB_PORT - Puerto (por defecto 5432)

Esquema de base de datos Se incluyen instrucciones en schema.sql para crear las tablas mínimas documento e indizacion.

Uso

1. Editar ocr.py si desea cambiar prefijos o la carpeta por procesar.
2. Ejecutar el script:

python ocr.py

Notas

• Por defecto el script procesa sólo la primera página de cada PDF.
• La indización usa metadataid=3. Cambia si tus metadatos difieren.
• Ajusta recorte_nombre dentro de OCRProcessor para cambiar la zona recortada.

Mejoras sugeridas

• Añadir soporte para procesar todas las páginas.
• Añadir CLI para especificar carpeta/prefijos por argumento.
• Registrar métricas y manejar fallos/reintentos.

Soporte Si necesitas ayuda adicional para adaptar, integrar en pipelines o pruebas, puedo ayudarte.