Extracción y Organización de Contenido Textual de Archivos Pdf con Alta Precisión

Se busca un freelancer experto para un proyecto de extracción de datos de un lote de archivos PDF. El objetivo principal es extraer todo el contenido textual de estos documentos y organizarlo de manera estructurada. Requisitos del Proyecto: Extracción Completa de Texto: Capturar todo el texto de cada archivo PDF. Ignorar Tablas e Imágenes: El enfoque es exclusivamente en el contenido textual. Organización Estructurada: El texto extraído debe ser colocado en un archivo CSV o Excel. Metadatos Adicionales: El archivo de salida debe incluir una columna para el nombre de archivo original y otra para el número de página de donde se extrajo cada segmento de texto. Manejo de OCR: La mayoría de los archivos son legibles por máquina, pero algunos pueden requerir un OCR ligero para asegurar la captura completa del texto. Precisión Crítica: Es fundamental que cada párrafo se mantenga intacto, los saltos de línea se manejen de forma coherente y no haya caracteres perdidos o erróneos en la extracción. Entregables Esperados: Un archivo maestro en formato CSV o Excel que contenga todo el texto extraído, el nombre de archivo original y el número de página correspondiente. Cualquier script, configuración de herramienta utilizada o un conjunto de notas claras y detalladas paso a paso que permitan reproducir el proceso de extracción. Una muestra inicial de tres archivos PDF procesados para su revisión y aprobación antes de proceder con el procesamiento del lote completo. Se valorará la experiencia en automatización de extracción de datos y el uso de herramientas o lenguajes de programación adecuados para esta tarea, garantizando la máxima calidad y fidelidad del texto extraído.