import io import fitz # PyMuPDF from PIL import Image from services.ocr import ocr_image def extract_pdf_text( path: str, dpi: int = 300, min_chars_per_page: int = 20, lang: str = "por", ) -> str: """Extrai texto de um PDF, pagina a pagina. Se a pagina ja tem camada de texto, usa-a direto (rapido e exato). Se for uma pagina escaneada (texto ausente ou irrisorio), rasteriza a pagina e roda OCR. Assim PDFs mistos tambem funcionam. """ parts: list[str] = [] with fitz.open(path) as doc: for page in doc: text = page.get_text("text").strip() if len(text) >= min_chars_per_page: parts.append(text) else: pix = page.get_pixmap(dpi=dpi) img = Image.open(io.BytesIO(pix.tobytes("png"))) parts.append(ocr_image(img, lang=lang).strip()) return "\n".join(p for p in parts if p).strip()