Pruebas con tessaract para la extracción de datos sobre el pdf seleccionable resultante.

Dataset

https://data.controlciudadanopy.org/municipalidad/

Formato: documentos a ser analizados

downloadDate(%y-%MM-%dd)hashDocument(%Mon_%y).pdf

Dependencias

• pdfseparate
• pdftoppm
• img2pdf
• ocrmypdf
• pdftotext
• tesseract

TODO

• Reducir dpi y analizar resultados

• Utilizar liberias con control de stdout y stderr para automatizar el proceso de ocr

  Python 3: comando/wrapper

  • pdfseparate: subprocess call
  • pdftoppm: subprocess call / https://pypi.org/project/pdf2image/
  • img2pdf: subprocess call / https://pypi.org/project/img2pdf/
  • ocrmypdf: subprocess call / https://pypi.org/project/ocrmypdf/
  • pdftotext: subprocess call / https://pypi.org/project/pdftotext/
  • tabula: subprocess call / https://pypi.org/project/tabula-py/

• Evaluar resultados sobre el pdf seleccionable con:

  • https://github.com/pdfminer/pdfminer.six
  • https://github.com/camelot-dev/camelot

• Parsear resultados por página