Data Extractor (Híbrido: AI + OCR + Nativo)

Una aplicación web robusta construida con Flask para extraer datos estructurados de documentos PDF. Utiliza una arquitectura inteligente "en cascada" para manejar desde documentos digitales perfectos hasta escaneos complejos e imágenes.

---

Características Principales

• Extracción de Tablas Híbrida:
  1. Nivel 1 (IA): Usa GMFT (Graph Matching for Tables) para detectar tablas complejas o rotadas mediante Deep Learning.
  2. Nivel 2 (Visión/OCR): Usa Tesseract 5.5 para "leer" píxeles en imágenes o escaneos planos.
  3. Nivel 3 (Nativo): Usa pdfplumber para documentos digitales estándar (rápido).
• Conversión a Word Inteligente:
  • Mantiene el formato si el PDF es digital (pdf2docx).
  • Extrae texto editable mediante OCR si el PDF es una imagen.
• Extracción de Activos: Separa todas las imágenes embebidas en alta calidad.
• Interfaz Moderna: Frontend reactivo con Tailwind CSS y feedback de progreso en tiempo real.

---

Requisitos Previos

Antes de instalar las dependencias de Python, asegúrate de tener instalado en tu sistema Windows:

1. Python 3.10 o superior (Probado en 3.12).
2. Tesseract OCR (Obligatorio para escaneos):
   • Descargar: Tesseract-OCR-w64-setup.exe
   • Importante: Durante la instalación, marca "Spanish" en Additional Script Data.
   • Ruta de instalación requerida: C:\Program Files\Tesseract-OCR\tesseract.exe
   • (Si cambias esta ruta, debes actualizarla en core/extractor.py).

---

Instalación

1. Crear entorno virtual:

   python -m venv .venv

2. Activar entorno:

   .\.venv\Scripts\activate

3. Instalar dependencias: (Nota: Esto descargará aprox. 2GB debido a las librerías de IA como Torch y Transformers).

   pip install -r requirements.txt

---

Ejecución

1. Asegúrate de tener el entorno virtual activado.
2. Ejecuta el servidor:

   python app.py

3. Abre tu navegador y ve a: http://127.0.0.1:5000

---

Estructura del Proyecto

PDF_Extractor_Pro/
├── core/
│   ├── extractor.py    # CEREBRO: Lógica híbrida (GMFT, Tesseract, Plumber)
│   └── __init__.py
├── input/              # Almacenamiento temporal de subidas
├── output/             # Resultados generados antes de comprimir
├── templates/
│   └── index.html      # Frontend con Tailwind CSS + JS Fetch
├── app.py              # Servidor Flask y controlador
├── requirements.txt    # Lista de librerías
└── README.md           # Documentación


## Proyecto creado por: 

**Victor Noguera**
**issvictornoguera@gmail.com**
**licencia: MIT**

---

## Agradecimientos

* **GMFT:** [GMFT GitHub](https://github.com/UB-Mannheim/gmft)
* **Tesseract:** [Tesseract GitHub](https://github.com/tesseract-ocr/tesseract)
* **Flask:** [Flask GitHub](https://github.com/pallets/flask)
* **PyMuPDF:** [PyMuPDF GitHub](https://github.com/pymupdf/PyMuPDF)
* **pdfplumber:** [pdfplumber GitHub](https://github.com/jsvine/pdfplumber)
* **pdf2docx:** [pdf2docx GitHub](https://github.com/AlfredoRamos/pdf2docx)
* **python-docx:** [python-docx GitHub](https://github.com/mirumee/python-docx)
* **OpenCV:** [OpenCV GitHub](https://github.com/opencv/opencv)
* **Pillow:** [Pillow GitHub](https://github.com/python-pillow/Pillow)
* **PyTorch:** [PyTorch GitHub](https://github.com/pytorch/pytorch)
* **Transformers:** [Transformers GitHub](https://github.com/huggingface/transformers)
* **Timm:** [Timm GitHub](https://github.com/rwightman/pytorch-image-models)