zelotech / infra /local_extractor.py
matheusalencar's picture
first commit
1b64148
Raw History Blame Contribute Delete
988 Bytes
from services.ocr import ocr_image_path
from services.pdf_utils import extract_pdf_text
class TesseractExtractor:
"""Extracao local de texto.
PDF: usa a camada de texto quando existe (instantaneo, via PyMuPDF) e so
cai para OCR (Tesseract) nas paginas que forem escaneadas.
Imagem (JPG/PNG): vai direto para OCR.
Retorna o texto cru, sem nenhum tratamento, como voce pediu.
"""
def __init__(self, lang: str = "por", dpi: int = 300, min_chars_per_page: int = 20):
self._lang = lang
self._dpi = dpi
self._min_chars = min_chars_per_page
def extract(self, path: str, kind: str) -> str:
if kind == "pdf":
return extract_pdf_text(
path, dpi=self._dpi, min_chars_per_page=self._min_chars, lang=self._lang
)
if kind == "image":
return ocr_image_path(path, lang=self._lang).strip()
raise ValueError(f"kind nao suportado: {kind!r}")