Este proyecto es un script de Python que se utiliza para extraer texto de imágenes y documentos PDF, y luego buscar números de documentos (DNI, NIE, pasaporte) en el texto extraído. Este proyecto se realizó solo para procesar DNIs y NIEs de España, si es necesario el procesamiento de otro tipo de documento seguramente sea necesario ajustar los parámetros de busqueda de las cadenas para adecuarlo al formato del número de DNI.
El proyecto depende de las siguientes bibliotecas de Python:
OpenCV (cv2) Matplotlib NumPy PyTesseract os re pdf2image
El script consta de varias funciones:
ocr(image): Esta función toma una imagen como entrada y devuelve el texto extraído de la imagen.
convertir_a_imagen(pdf): Esta función toma un archivo PDF como entrada y convierte la primera página en una imagen JPEG.
extraerTexto(img_color): Esta función toma una imagen en color como entrada y la convierte en escala de grises. Luego binariza la imagen, realiza una operación de apertura para eliminar el ruido, invierte la imagen, la amplía y extrae el texto.
buscar_dni(texto_completo): Esta función busca diferentes formatos de números de documentos en el texto extraído.
extrae_paths_imagenes(path): Esta función busca todos los archivos en un directorio dado. Si el archivo es un PDF, lo convierte en una imagen y agrega la ruta del archivo a una lista. Si el archivo es una imagen, simplemente agrega la ruta del archivo a la lista.
main(): Esta es la función principal que llama a las otras funciones y ejecuta el script.
Para usar este script, simplemente ejecute el archivo app.py en su terminal con Python. Asegúrese de tener todas las dependencias instaladas y de tener algunas imágenes o archivos PDF en el directorio 'imagenes_prueba' para que el script pueda procesarlos.
Las contribuciones a este proyecto son bienvenidas. Si encuentra un error o tiene una sugerencia para una mejora, no dude en abrir un problema o enviar una solicitud de extracción.
Este proyecto está licenciado bajo los términos de la licencia MIT.