Projeto de Extração e Estruturação de Dados de Notas Fiscais em PDF

Descrição

Este projeto utiliza técnicas de OCR e inteligência artificial (modelo Gemini) para extrair e estruturar automaticamente informações de notas fiscais em formato PDF, incluindo aquelas escaneadas.

Estrutura do Projeto

• notas_fiscais/: Pasta onde devem ser armazenados os arquivos PDF para processamento.
• resultados/: Pasta onde serão armazenados os resultados da extração em formato JSON.

Bibliotecas Principais

• PyMuPDF (fitz): Extração direta de texto de PDFs.
• Pytesseract: OCR para PDFs escaneados.
• pdf2image: Conversão de PDFs para imagens antes do OCR.
• Pandas: Estruturação e análise dos dados extraídos.
• API Gemini: Interpretação e estruturação inteligente dos dados em JSON. (substitua o campo onde deve ser colocado sua chave de api)

Instalação das Dependências

Para instalar as dependências diretamente, execute:

pip install -r requirements.txt

Execução

Execute o script principal para iniciar o processamento:

python extrator.py -- Modelo para rodar LLM local com LM Studio

Execute diretamente no notebook com play all

Os resultados serão armazenados em resultados/notas_extraidas.json.

Visualização dos Dados

O arquivo JSON resultante pode ser carregado em DataFrames do Pandas para análise e visualização detalhada dos dados extraídos.