agutierrezmorag/pdfconversor

Conversor PDF a texto. Taller de titulo. UNAP 2023.

pdfconversor

Conversor de PDF > imagen > texto.

Dependencias

• Poppler

Testing

Se realizó la transcripción de las páginas 5-10 del reglamento regimen general de estudios, mediante una herramienta online y luego de manera local con las librerías pdf2image para la separación de cada página del pdf por imágenes y easyocr para la transcripción de dichas imágenes.

Esto resulta en un texto con errores, para intentar corregir algunos se propone utilizar gpt3.5 dando uso del siguiente prompt:

Revisa el siguiente texto y corrígelo. Solo realiza correcciones ortográficas, elimina las oraciones sin sentido, pero no cambies el orden ni la estructura del texto.

Sin embargo, algunos errores persisten, sobre todo con ciertos caracteres especiales.

Resultados

easyocr.txt para resultados del script local.

online converter.txt para resultados de la herramienta online