franfermi / tfg-servicio_web Goto Github PK

Extrae correctamente un documento de texto en PDF, he conseguido que pase los test comparando la lectura del PDF en cuestión con el texto obtenido tras la extracción.
Pero para PDFs con tablas no me sirve esta biblioteca debido a que cada celda de la tabla me la representa como una línea, por tanto pierdo el formato.

Por ejemplo, los puntos suspensivos también son puntos, y se usa mayúsculas después. Comprueba la ortografía con hunspell o similar. Mira también las reglas tipográficas: espacio después de punto, por ejemplo.

Todas las pruebas que hiciste con las diferentes bibliotecas de PDF deberías documentarlas para que se vea claro que la que elegiste es la mejor.

Incluir PDFs de prueba en el repo y testear que se extrae la información adecuadamente.

Donde habls de la extracción, por ejemplo, deberías especificar las diferentes estructuras que hay en las tablas y por qué es complicado extraerlas, así como los tests que desarrollaste (que son, en realidad, la especificación) para comprobar si la biblioteca funcionaba correctamente.

Encontrar todos los URLs o páginas donde se encuentren

• Horarios
• Guía docente
• Fecha de exámenes
• Lugar de examen

Que sea flexible y admita todo tipo de formatos.

Por ejemplo, cuando citas el manual de la biblioteca, debes poner un enlace a la misma.

Voy a probar si utilizando esta biblioteca puedo extraer información de las tablas en PDF.

Configurar github notifications para llevar un mejor seguimiento del proyecto con el profesor.