datagem 0.1.0

Um pacote para extrair informações de PDFs usando a API do Google Gemini.

Gemini PDF Extractor

Extrai informações estruturadas de arquivos PDF usando a API Gemini. Esta classe foi projetado para processar uma pasta de arquivos PDF usando prompts estruturados.

Instalação

pip install datagem_gilberto_sassi

Chave da Gemini API

Para usar este pacote, você precisa ter uma chave da Gemini API. Caso você não tenha, você pode obtê-la no Google AI Studio: aistudio.google.com/app/apikey.

Uso

Você pode extrair as informações de todos os pdfs e todos os prompts usando o método extract_all. O método retorna um dicionário, em que as chaves são prompts e os valores são DataFrame (do pandas).

from datagem_gilberto_sassi.pdf import DataExtractorPdf

extractor = DataExtractorPdf(
    api_key="SUA_CHAVE_API",
    path_files="caminho/para/seus_pdfs/",
    path_prompts="caminho/para/seus_prompts/"
)
resultados_dict = extractor.extract_all()
primeiro_dataframe = list(results_dict.values())[0]
print(primeiro_dataframe.head())

Você pode extrair as informações de alguns pdfs e alguns prompts usando o método extract_partial. O método retorna um dicionário, em que as chaves são prompts e os valores são DataFrame (do pandas).

from datagem_gilberto_sassi.pdf import DataExtractorPdf

extractor = DataExtractorPdf(
    api_key="SUA_CHAVE_API",
    path_files="caminho/para/seus_pdfs/",
    path_prompts="caminho/para/seus_prompts/"
)
resultados_dict = extractor.extract_partial(prompts = ['prompt1.txt', 'prompt2.txt'],file = ['file1.pdf', 'file2.pdf', 'file3.pdf'])
primeiro_dataframe = list(results_dict.values())[0]
print(primeiro_dataframe.head())