pdf-notes-extractor 1.0.1

Extractor automático de índices de notas desde PDFs financieros chilenos (NIIF)

📋 PDF Notes Extractor

Extractor automático de índices de notas desde PDFs de estados financieros chilenos (formato NIIF).

🎯 Descripción

Este proyecto automatiza la detección y extracción de índices de notas desde PDFs de estados financieros, generando un archivo Excel estructurado con la relación nota-página y métricas de confianza.

Características principales

• ✅ Detección automática de páginas de índice usando heurísticas robustas
• ✅ Soporte multi-backend: pdfplumber (default), PyMuPDF, PyPDF2
• ✅ Parsing inteligente de múltiples formatos de índice
• ✅ Mapeo automático de páginas impresas → páginas PDF
• ✅ Exportación a Excel con métricas de confianza
• ✅ CLI amigable con múltiples opciones de configuración
• ✅ Arquitectura extensible y bien documentada

📦 Instalación

Requisitos

• Python 3.8 o superior
• pip

Instalación básica

# Clonar repositorio
git clone <repo-url>
cd Table-Detector

# Crear entorno virtual
python -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

# Instalar dependencias básicas
pip install -e .

Instalación con backends alternativos

# Para PyMuPDF y PyPDF2
pip install -e ".[alternative]"

Instalación para desarrollo

# Incluye herramientas de testing y linting
pip install -e ".[dev]"

🚀 Uso

CLI Básico

# Extracción básica
notes-extractor extract input.pdf -o output.xlsx

# Con backend específico
notes-extractor extract input.pdf -o output.xlsx --backend pymupdf

# Con límite de páginas a escanear
notes-extractor extract input.pdf -o output.xlsx --scan-first 50

# Con mapeo de páginas
notes-extractor extract input.pdf -o output.xlsx --map-pages

# Modo debug
notes-extractor extract input.pdf -o output.xlsx --debug

Uso como librería

from notes_extractor.pipeline.orchestrator import NotesExtractorPipeline
from notes_extractor.config import ExtractorConfig

# Configurar
config = ExtractorConfig(
    backend="pdfplumber",
    enable_page_mapping=True,
    min_confidence=0.6
)

# Ejecutar pipeline
pipeline = NotesExtractorPipeline(config)
result = pipeline.process("input.pdf", "output.xlsx")

# Acceder a resultados
print(f"Notas encontradas: {len(result.notes)}")
for note in result.notes:
    print(f"{note.nota_id}: {note.titulo} - Pág. {note.pagina_impresa}")

📊 Formato de Salida

El archivo Excel generado contiene dos hojas:

Hoja 1: notas_paginas

nota_id	titulo	pagina_impresa	pagina_pdf	pagina_fuente	confianza
1	Información general	15	17	3	0.95
2	Políticas contables	18	20	3	0.92

Hoja 2: index_pages

page_number	score	note_count	has_header	confidence
3	25.5	15	True	0.89
4	22.3	12	False	0.85

🏗️ Arquitectura

Pipeline de Procesamiento:
PDF → Validación → Extracción de Texto → Detección de Índice → 
Parsing → Normalización → Mapeo (opcional) → Exportación

Consulta Estructura.md para detalles completos de la arquitectura.

🧪 Testing

# Ejecutar todos los tests
pytest

# Con cobertura
pytest --cov=src/notes_extractor --cov-report=html

# Solo tests unitarios
pytest tests/unit/

# Solo tests de integración
pytest tests/integration/

📚 Documentación

• Arquitectura detallada
• Guía de patrones regex
• Ejemplos avanzados
• API Reference

🤝 Contribuir

Las contribuciones son bienvenidas. Por favor:

1. Fork el proyecto
2. Crea una rama para tu feature (git checkout -b feature/AmazingFeature)
3. Commit tus cambios (git commit -m 'Add some AmazingFeature')
4. Push a la rama (git push origin feature/AmazingFeature)
5. Abre un Pull Request

📝 Licencia

Este proyecto está bajo la licencia MIT. Ver LICENSE para más detalles.

🐛 Reportar Problemas

Si encuentras un bug o tienes una sugerencia, por favor abre un issue en GitHub.

📧 Contacto

Diego Jiménez - [e-mail]

Project Link: https://github.com/tuusuario/Table-Detector