Extractor de Facturas

Este proyecto es una aplicación de Streamlit diseñada para extraer información de facturas en formato PDF y convertirla en un formato estructurado (JSON).

Características

Interfaz de usuario en español
Carga múltiple de archivos PDF
Extracción de texto de PDFs utilizando la biblioteca Marker
Extracción de datos estructurados utilizando el de modelo de lenguaje nuExtract.
Vista previa de PDFs y edición de datos extraídos
Guardado de datos en formato JSONL
Procesamiento en segundo plano para mejorar la eficiencia

Requisitos del sistema

Python 3.8 o superior
Bibliotecas adicionales especificadas en requirements.txt

Instalación

Clona este repositorio:

git clone https://github.com/lahoramaker/facturas2json.git
cd facturas2json

Crea un entorno virtual (opcional pero recomendado):

python -m venv .venv
source venv/bin/activate  # En Windows use `venv\Scripts\activate`

Opcional: Instala uv para acelerar el proceso de instalación de paquetes pip
```
pip install uv
```
Instala las dependencias:
```
pip install -r requirements.txt
```
En caso de haber instalado uv puedes hacerlo con el siguiente comando:
```
uv pip install -r requirements.txt
```

Uso

Ejecuta la aplicación:
```
streamlit run src/facturas2json.py
```
Abre tu navegador web y ve a la dirección que se muestra en la consola (generalmente http://localhost:8501).
Usa la interfaz para cargar archivos PDF, revisar los datos extraídos y guardar los resultados.

Analizador de facturas

Se ha añadido una nueva funcionalidad para analizar los datos obtenidos, permitiendo también convertirlos en CSV y viceversa. Para abrirlo, ejecuta:

streamlit run src/analizar_facturas.py

Si no dispones de este script, puedes actualizar el repositorio (ejecutando git pull desde la propia carpeta)

Notas

Asegúrate de que tus PDFs sean legibles y estén en un formato estándar para obtener los mejores resultados.
La aplicación utiliza modelos de IA para la extracción de datos, por lo que los resultados pueden variar dependiendo de la calidad y el formato de los PDFs.
Ten en cuenta que los pesos del modelo Marker están bajo la licencia cc-by-nc-sa-4.0, pero el autor ha renunciado a esta restricción para cualquier organización con ingresos brutos inferiores a 5 millones de dólares estadounidenses en los últimos 12 meses y con menos de 5 millones de dólares en financiación total recibida de capital de riesgo o business angels. Si desea obtener más información sobre la licencia, por favor visita el repositorio de Marker.

Recursos adicionales

Si quieres saber más sobre el proyecto, puedes consultar los siguientes videos:

Descripción general de la aplicación y de los modelos utilizados: https://youtu.be/I7N2DSzUXbc
Demostración de la aplicación y explicación más detallada de los distintos componentes: https://youtu.be/Gov8eR5LBHQ

Contribuciones

Las contribuciones son bienvenidas. Por favor, abre un issue para discutir cambios importantes antes de crear un pull request.

Licencia

MIT