Digitalización y Procesamiento de Documentos

El sistema de procesamiento de documentos es el componente técnico principal responsable de analizar, procesar y mostrar documentos dentro de la plataforma. Maneja OCR, conversión de formatos, extracción de contenido y visualización interactiva con capacidades de búsqueda.

Este sistema procesa archivos cargados, extrae contenido de texto utilizando tecnología OCR y presenta documentos en un visor interactivo con búsqueda y resaltado en tiempo real.

Utilizamos Tesseract.js para el reconocimiento óptico de caracteres (OCR) en múltiples tipos de documentos.

Flujo de procesamiento de OCR:

• Entrada de imagen: Procesamiento directo de archivos de imagen.
• Conversión de PDF: Las páginas de PDF se convierten a imágenes mediante pdf-poppler.
• Reconocimiento de texto: Tesseract extrae el texto junto a coordenadas precisas (bounding boxes).
• Mapeo de palabras: Cada palabra se asocia a su posición para resaltar y búsqueda precisa.

El sistema permite realizar búsquedas en tiempo real dentro de documentos procesados con retroalimentación visual inmediata.

Proceso de normalización de texto:

• Convierte a minúsculas.
• Elimina signos diacríticos (acentos).
• Filtra solo caracteres alfanuméricos.
• Permite coincidencia flexible entre idiomas.

Renderizado del resaltado:

• Mapea coordenadas de OCR a escala del lienzo.
• Dibuja subrayados azules en términos coincidentes.
• Proporciona recuento de coincidencias encontradas.
• Maneja diferentes tamaños de lienzo y escalado de coordenadas.

Los documentos procesados se muestran en un visor interactivo con soporte de búsqueda y resaltado: TextViewerCanvas. Este componente permite explorar documentos de manera ágil y precisa.

Para más detalles técnicos, consulta la documentación de TextViewerCanvas y motor OCR o la API de análisis de archivos.