Сервис/RPA для получения табличных данных из PDF файла двумя способами:
- с помощью Tesseract-OCR
- с помощью декстопного FineReader
Вывод результатов распознавания идёт в excel-файл, на разных листах. Для удобства использования, весь функционал выведен в Telegram бот и реализован на кнопках.
Некоторые особенности:
Конфигурация проекта построена на Pydantic - BaseSettings, с чтением файла конфигурации toml из переменных среды и
валидацией значений. Работа с FineReader введётся исключительно на селекторах и не использует скриншоты. Логика модуля
Tesseract основана на поиске пересечений горизонтальных и вертикальных линий, получения координат ячеек таблицы и
распознавания обрезанного изображения по всем полученным координатам.
- Управление зависимостями: poetry
- Работа с десктопными приложениями: pywinauto
- OCR: pytesseract, opencv-python, pdf2image
- Работа с табличными данными: pandas
- Telegram бот: pytelegrambotapi
- Конфигурация и валидация проекта: pydantic-settings
- Тестирование: pytest
- Покрытие unit-тестами: pytest-cov
- Документация: sphinx
Превью документации:
