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}")