PDF OCR Translator

Este projeto realiza extração de texto (OCR) de arquivos PDF e tradução automática para o português utilizando Tesseract OCR e a API do Google Translate (via deep-translator), com suporte completo ao Docker.

Funcionalidades

• Divide arquivos PDF em blocos de páginas.
• Extrai o texto de cada página via OCR com Tesseract.
• Traduz automaticamente o conteúdo extraído para o português.
• Gera arquivos .txt com o resultado de cada bloco.
• Tudo pode ser executado via Docker, sem necessidade de configurar o ambiente manualmente.

Executando com Docker

1. Clone o repositório

bash git clone https://github.com/joaomarafiotti/pdf-ocr-translator.git cd pdf-ocr-translator

2. Coloque seu PDF na pasta input/

Exemplo: input/sample.pdf

3. Construa a imagem Docker

bash docker build -t pdf-ocr .

4. Execute o contêiner para extrair o texto (OCR)

docker run -v "$PWD:/app" pdf-ocr

5. Traduzir um bloco específico

docker run -v "$PWD:/app" pdf-ocr python translate_block.py blocos_ocr/texto_001_050.txt

Estrutura do Projeto

pdf-ocr-translator/

• main_ocr.py # Extração de texto via OCR
• translate_block.py # Tradução de arquivos extraídos
• Dockerfile # Ambiente Docker automatizado
• requirements.txt # Dependências Python
• input/ # PDF de entrada (ex: sample.pdf)
• blocos_ocr/ # Arquivos .txt gerados com os textos

Tecnologias Usadas

• Python 3.10
• Tesseract OCR
• Poppler-utils
• PDF2Image
• Deep-Translator
• Docker