🔍 Extrae texto y tablas de PDFs e imágenes usando OCR con Tesseract y Tabula. Además, puede mejorar la estructura del texto usando OpenAI.

✅ Soporte para PDF e imágenes (JPG, PNG)
✅ OCR con Tesseract para extraer texto
✅ Tabula para extraer tablas de PDFs
✅ Salida en Word (.docx) para texto y en Excel (.xlsx) para tablas
✅ Carpeta organizada: archivos subidos y procesados en directorios separados
✅ Eliminación automática de archivos después de la descarga
✅ Integración con OpenAI (opcional) para mejorar la estructura del texto

Haz clic en el botón para abrir y ejecutar el notebook en Google Colab:

1️⃣ Sube un archivo PDF o imagen (JPG, PNG)
2️⃣ El notebook extrae:

• Texto con OCR (Tesseract)
• Tablas con Tabula
  3️⃣ Descarga los resultados:
• Texto en Word (.docx)
• Tablas en Excel (.xlsx)
  4️⃣ Los archivos temporales se eliminan automáticamente

📌 Nota: Si usas OpenAI para mejorar el texto, debes configurar tu API Key en el notebook antes de ejecutar.

Este notebook usa las siguientes bibliotecas:

• pytesseract → OCR con Tesseract
• pdf2image → Convierte PDF a imágenes
• opencv-python → Preprocesamiento de imágenes
• pandas → Manejo de datos
• tabula-py → Extrae tablas de PDFs
• python-docx → Guarda texto en Word
• xlsxwriter → Guarda tablas en Excel
• markdownify → Convierte HTML a Markdown
• openai → (Opcional) Mejora de texto con IA

Estas dependencias se instalan automáticamente en Google Colab, ¡así que no te preocupes! 🚀

Este notebook está bajo la licencia MIT, por lo que puedes usarlo y modificarlo libremente.

Si tienes dudas o sugerencias, puedes escribirme:
📧 Email: [email protected]
🐦 Web: @CENF WEB

✨ ¡Gracias por usar esta herramienta! 🚀