document-ocr

Document OCR

Extrae texto de PDFs e imágenes usando AWS Textract. Útil para documentos escaneados o PDFs de diseño que no tienen texto extraíble.

Archivos en este Skill

document-ocr/
├── SKILL.md

Scripts de referencia (en /scripts/ocr/):

• textract_pdf_analyzer.py - Procesar PDFs
• textract_images_analyzer.py - Procesar imagenes

Prerequisitos

• AWS CLI configurado con credenciales
• Permisos para AWS Textract
• Región: us-east-1 (default)
• Python 3.x con boto3

Flujo de Trabajo

Para PDFs

python3 scripts/ocr/textract_pdf_analyzer.py "documento.pdf" "resultado"

Output: Archivos .txt con texto extraido por pagina.

Para Imagenes

python3 scripts/ocr/textract_images_analyzer.py "carpeta_imagenes/" "resultado"

Para PDFs de Illustrator/Diseño

Los PDFs creados en Illustrator o herramientas de diseño frecuentemente no tienen texto extraíble (el texto está como curvas/paths).

Solución: Convertir a imágenes primero

# 1. Convertir PDF a imágenes con ImageMagick
magick -density 300 "archivo.pdf" -quality 100 "output/page.png"

# 2. Procesar imágenes con Textract
python3 scripts/ocr/textract_images_analyzer.py "output/" "resultado"

Gotchas

1. PDFs de diseño: El Read tool de Claude no extrae texto de PDFs de Illustrator. Usar flujo de conversión a imagen + Textract.

2. Límites de Textract:

   • Máximo 5MB por documento síncrono
   • Para documentos grandes, usar async con S3

3. Calidad de imagen importa: Para mejor OCR, usar density 300 o más al convertir PDF.

4. Tablas: Textract puede detectar tablas, pero el output puede necesitar post-procesamiento.

5. Idioma: Textract funciona mejor con inglés, pero soporta español y otros idiomas.

6. Costos: Textract tiene costo por página. Verificar pricing antes de procesar documentos grandes.

AWS Configuration

Región: us-east-1
Cuenta: [configurar en AWS CLI]

Scripts

textract_pdf_analyzer.py

python3 scripts/ocr/textract_pdf_analyzer.py input.pdf output_prefix
# Envia PDF a Textract, guarda resultado en .txt y .json
# Para PDFs >5MB usa analisis asincrono con S3

textract_images_analyzer.py

python3 scripts/ocr/textract_images_analyzer.py input_folder/ output_prefix
# Procesa todas las imagenes PNG en la carpeta

Output

Archivos de texto plano con el contenido extraído:

• resultado_page_1.txt
• resultado_page_2.txt
• etc.

O archivo consolidado:

• resultado_full.txt

Alternativas

Si Textract no está disponible:

• Google Cloud Vision API - Similar funcionalidad
• Tesseract - Open source, local, menos preciso
• Adobe Acrobat - Para PDFs con texto oculto