PDF Reader

Este projeto é uma aplicação para leitura, extração de texto e manipulação de arquivos PDF com funcionalidades específicas para busca de CPFs e geração de resumos.

Funcionalidades

• Extração de Texto: Extrai texto de arquivos PDF usando a biblioteca pdfplumber e PyMuPDF.
• Busca e Geração de Comprovantes: Busca CPFs específicos em um PDF e gera arquivos PDF individuais para cada CPF encontrado.
• Reconhecimento Óptico de Caracteres (OCR): Utiliza pytesseract para extrair texto de imagens dentro de arquivos PDF.
• Resumo de Texto: Gera um resumo do conteúdo textual extraído usando um modelo de NLP (Natural Language Processing) com transformers.
• Geração de Arquivo ZIP: Cria um arquivo ZIP com todos os comprovantes PDF gerados a partir da busca de CPFs.

Tecnologias Utilizadas

• Python Flask: Framework para criação da aplicação web.
• Bibliotecas PDF: pdfplumber, PyPDF2 e fitz para manipulação e extração de conteúdo em PDF.
• Reconhecimento Óptico de Caracteres: pytesseract e PIL para reconhecimento de texto em imagens.
• NLP com Transformers: Biblioteca transformers da Hugging Face para resumir textos extraídos.

Pré-requisitos

1. Instale o Tesseract OCR no sistema para uso do pytesseract.
2. Instale as dependências do Python.

Como Executar o Projeto

1. Clone o repositório:

   git clone https://github.com/AlunosAdsAnhanguera/PDF_reader.git

2. Navegue até o diretório do projeto:

   cd PDF_reader

3. Instale as dependências:

   pip install -r requirements.txt

4. Execute a aplicação:

   python app.py

   A aplicação estará disponível em http://127.0.0.1:5000.

Estrutura do Projeto

• app.py: Script principal que contém a lógica da aplicação.
• PDF_ARCH/: Diretório onde os PDFs carregados e processados são armazenados.
• templates/ e static/: Arquivos de interface e estilos da aplicação.

Uso da Aplicação

Upload de Arquivos

• PDF: Envie um arquivo PDF para leitura.
• Arquivo de CPFs (.txt): Envie um arquivo de texto contendo os CPFs a serem buscados no PDF.

Ações Disponíveis

• Gerar Resumo: Extrai o texto do PDF e gera um resumo usando um modelo de NLP.
• Buscar Comprovantes de CPF: Busca os CPFs no PDF e gera arquivos PDF individuais para cada CPF encontrado, compactando todos os arquivos gerados em um ZIP para download.

Endpoints

• Rota Principal (/): Página inicial com o formulário de upload.
• Upload (/upload): Processa o upload do PDF e do arquivo de CPFs, executando a ação selecionada.
• Download do ZIP (/download_zip): Permite o download do arquivo ZIP gerado.

Exemplo de Estrutura do Arquivo de CPFs

O arquivo cpfs.txt deve ter o seguinte formato, com um CPF por linha:

123.456.789-00
987.654.321-00

Contribuição

Contribuições são bem-vindas. Sinta-se à vontade para fazer um fork do repositório, criar uma nova branch com suas alterações e abrir um pull request.

Arquivo de Dependências - requirements.txt

Para executar o projeto, é necessário instalar as seguintes bibliotecas:

Flask==2.0.1
PyMuPDF==1.19.0
pytesseract==0.3.8
pdfplumber==0.5.28
Pillow==8.3.1
transformers==4.9.1
torch==1.9.0
PyPDF2==2.1.0

Instruções para Instalação

1. Instale as Dependências: Execute o comando abaixo no diretório do projeto para instalar todas as bibliotecas listadas:

   pip install -r requirements.txt

2. Instalação do Tesseract OCR:

   • Linux (Debian/Ubuntu):

     sudo apt-get install tesseract-ocr

   • Windows:
     • Baixe o instalador do Tesseract OCR no repositório oficial do GitHub.
     • Adicione o caminho do executável do Tesseract ao PATH do sistema para que pytesseract possa acessá-lo.

Licença

Este projeto está licenciado sob a MIT License.

Esse conteúdo formata o `README.md` com seções detalhadas e organizadas, incluindo o arquivo `requirements.txt` e as instruções de instalação.