Proyecto OCR TRM

Este proyecto permite extraer automáticamente el número de factura y la tasa de cambio (TRM) desde archivos PDF utilizando OCR, sin necesidad de tener Python instalado en el sistema.

---

✅ Requisitos

• Windows (con acceso a PowerShell o CMD)
• Acceso a carpetas locales, pero sin necesidad de permisos de administrador
• Python embebido (python-3.13.9-embed-amd64)
• Tesseract OCR
• Poppler para Windows

---

📁 Estructura recomendada

TRM_PYTHON/
├── main.py                     ← Script principal OCR
├── requirements.txt            ← Lista de dependencias
├── get_trm.bat                 ← Script para ejecutar todo automáticamente
├── venv/                       ← Entorno virtual creado previamente
├── tesseract/
│   ├── tesseract.exe
│   └── tessdata/
│       └── spa.traineddata     ← Soporte para idioma español
├── poppler/
│   └── Library/bin/pdftoppm.exe
└── PWC1/                       ← Carpeta con PDFs a procesar (Ubica todos los PDF que contengan en su nombre de archivo "Declaracion Importacion")

---

⚙️ Pasos realizados

1. Descargar Python embebido

• Desde python.org → embedded zip
• Extraído en:
  C:\Users\JUANK\Desktop\TRM_PYTHON\python-3.13.9-embed-amd64

2. Activar compatibilidad de librerías en Python embebido

• Editar python313._pth:
  • Descomentar la línea: import site
  • Asegurarse de que incluya Lib y Scripts

---

3. Instalar pip

C:\Users\JUANK\Desktop\TRM_PYTHON\python-3.13.9-embed-amd64\python.exe get-pip.py

---

4. Crear entorno virtual

C:\Users\JUANK\Desktop\TRM_PYTHON\python-3.13.9-embed-amd64\python.exe -m virtualenv venv

---

5. Instalar dependencias

call venv\Scripts\activate.bat
pip install -r requirements.txt

---

6. Descargar e integrar Poppler

• Descargar desde: https://github.com/oschwartz10612/poppler-windows/releases
• Extraer pdftoppm.exe en:
  C:\Users\JUANK\Desktop\TRM_PYTHON\poppler\Library\bin

---

7. Descargar e integrar Tesseract

• Descargar desde: https://github.com/UB-Mannheim/tesseract/wiki
• Instalar en:
  C:\Users\JUANK\Desktop\TRM_PYTHON\tesseract\
• Crear carpeta tessdata dentro y colocar spa.traineddata descargado desde:
  https://github.com/tesseract-ocr/tessdata

---

8. Modificaciones en main.py

Agregar al inicio del archivo:

import os
import pytesseract

# Configurar ruta a tesseract
base_dir = os.path.dirname(os.path.abspath(__file__))
pytesseract.pytesseract.tesseract_cmd = os.path.join(base_dir, "Tesseract-OCR", "tesseract.exe")
os.environ["TESSDATA_PREFIX"] = os.path.join(base_dir, "Tesseract-OCR", "tessdata")

Y dentro del bucle de procesamiento:

gray_image = ImageOps.grayscale(image)
text = pytesseract.image_to_string(gray_image, lang='spa')

También debes pasar poppler_path:

pages = convert_from_path(pdf_path, poppler_path=os.path.join(base_dir, "poppler", "Library", "bin"))

---

9. Script de ejecución automática (get_trm.bat)

.\get_trm.bat

---

✅ Resultado esperado

Al ejecutar get_trm.bat, el sistema:

• Solicita la ruta al usuario. NANA Por favor, ingresa la ruta de la carpeta a procesar: Ej. C:\Users\JUANK\Desktop\TRM_PYTHON\PWC1
• Convierte cada PDF en imágenes (con Poppler)
• Aplica OCR en español (con Tesseract)
• Extrae número de factura y TRM
• Guarda los resultados en un Excel con timestamp

---

📌 Observaciones

• No se necesita instalación de Python en el sistema
• No requiere variables de entorno (PATH) globales
• Ideal para entornos corporativos restringidos

---

Ejecucion manual si ya se tiene el entorno virtual creado en Windows

.\venv\Scripts\activate
pip install -r requirements.txt
python main.py --ruta "C:\Users\JUANK\Desktop\TRM_PYTHON\PWC1"

Crear y activar un entorno virtual de Python en Mac

python3 -m venv venv
source venv/bin/activate
python -m pip install --upgrade pip
pip install -r requirements.txt
python main.py --ruta "/Users/bitsamericas/Downloads/PWC1"