Pruebas con AWS Textract DetectDocumentText sobre las imágenes extraídas de los documentos pdf.

Dataset

https://data.controlciudadanopy.org/municipalidad/

Formato: documentos a ser analizados

downloadDate(%y-%MM-%dd)hashDocument(%Mon_%y).pdf

SDK

• https://boto3.amazonaws.com/v1/documentation/api/latest/index.html
• https://docs.aws.amazon.com/textract/latest/dg/detecting-document-text.html

TODO

• Realizar extracción de datos del block file basado en patrones del documento
• Analizar resultados con el modo AnalyzeDocument
• Probar el modo asíncrono
• Probar con archivo pdf de múltiples paginas
• Parsear resultados por página