pdf-highlight-extractor

Extract highlights from PDF files.

O que vai precisar ser feito

• Pegar as coordenadas das marcações no PDF (PyPDF)
• Transformar as páginas em imagem (pdf2image)
• Cortar usando as coordenadas das marcações (pillow)
• Pegar o texto da imagem cortada (pytesseract)
• Mostrar para o usuario (terminal ou html)

Pontos para tomar cuidado

• Marcações de mais de uma linha. São a mesma marcação mas vão ter dois retangulos. Como vai manter o contexto de ser uma única marcação mas juntar o texto de duas imagens cortadas diferentes?
• A apresentação pro usuário
• Vai salvar uma imagem para cada página. Tem como usar a imagem sem salvar? Parece que tem com tempfile