OCR and Documents

• Tienes un PDF (digital o escaneado) y necesitas extraer su texto para resumirlo, archivarlo o analizarlo más a fondo.
• Necesitas aplicar OCR a una factura escaneada, formulario o fotografía de un documento y extraer campos estructurados.
• Quieres convertir un archivo DOCX en texto plano o markdown para usarlo en otra habilidad o pipeline.
• Estás construyendo un paso de preprocesamiento que alimenta texto de documentos limpio en un índice de búsqueda o un flujo de trabajo de LLM.

• Tu entrada es un archivo PowerPoint/PPTX — enruta estos a una habilidad de presentación dedicada en su lugar.
• Tus documentos escaneados tienen una resolución muy baja, están muy inclinados o están en un idioma no compatible; la calidad del OCR será deficiente y los resultados poco fiables.
• Necesitas una solución sin dependencias y sin configuración — esta habilidad requiere un entorno Python y al menos una biblioteca de documentos/OCR.

Utiliza PyMuPDF o pdfminer para extraer texto directamente de PDFs nativamente digitales sin la sobrecarga del OCR, preservando el diseño lo más fielmente posible.

Enruta PDFs escaneados y fotografías de documentos a través de Tesseract o un servicio OCR compatible para recuperar texto de contenido basado en imágenes.

Lee archivos de Microsoft Word mediante python-docx, extrayendo la estructura de párrafos y encabezados en texto limpio o salida en markdown.

Normaliza el contenido extraído en texto plano o markdown estructurado, haciendo que la salida sea inmediatamente utilizable por habilidades de resumen, indexación u otras habilidades posteriores en el flujo de trabajo.

Selecciona automáticamente el extractor adecuado — capa de texto directo, OCR o analizador específico de formato — según el tipo de documento detectado en tiempo de ejecución.

Realiza OCR a una factura escaneada o formulario completado con OCR and Documents y devuelve campos estructurados como nombre del proveedor, importe y fecha de vencimiento para su procesamiento o almacenamiento posterior.

Extrae texto de un PDF de varias páginas y pasa el contenido de cada página a una habilidad de resumen, lo que permite obtener resúmenes de todo el documento sin necesidad de copiar y pegar manualmente.

Analiza un documento de Word y convierte su contenido a markdown, dejándolo listo para una base de conocimiento, un sitio estático o una edición posterior en un flujo de trabajo basado en texto.

Extrae texto en lote de una colección de archivos PDF y DOCX mixtos para producir fragmentos de texto limpios y normalizados, adecuados para la indexación en búsqueda vectorial o de texto completo.