2023-10-16 PDF scraper Task

Git repo: https://github.com/asya-ai/dealita-web

Lai Ričards izstāsta kā sistēma strādā līdz šim.

Use case:

1. Investors ieliek checklist

2. Investors augšupielāde pitchdeck

3. System parse pictchdeck (šis ir kas vajadzīgs šobrīd)

4. AI compares pitch deck with checklist

5. System shows report

Task - PDF parser

Materials for task: https://drive.google.com/drive/folders/1OHmJm0ihQWaX1CoOgIJBGMMkW8FSIV5w?usp=sharing

Pitch deck examples: https://drive.google.com/drive/folders/1BdVj-xciS8hwotQiKNXcz33YSZL31oZO

Jāpievieno ControllerPDF funkcija parse_deal_file(deal_file_id)

Atsevišķā workerī worker_deals_files.py nevis main.py visus deals_files parsēt un iegūt rezultāus

Priekš PDF extraxct izmantot šo vai kādu citu lib https://pypi.org/project/PyPDF2/

Jābūt max strukturizētam output, pārbaudi pats ar pēc iespējas vairāk dažādiem PDFs - jābūt loģiskā secībā tekstiem

Jāziveido jauna DB tabula un Model classes

Nepieciešams no PDF iegūt šādus segments, piemērs:

text:

xxxxxxxxxx
4
1
PITCH DECK
2
We are changing the way people buy cars around the world.
3
Never buy a banger again.
4
CarExamer.com

text:

xxxxxxxxxx
6
1
Go-to Market Plan
2
Sponsorships
3
Something
4
Affilate 
5
Something
6
...

Future

1. OCR no bildēm, kur ir teksts atpazīt segments

2. Segement Anytghing, ImageToText models pielietot, lai no attēliem iegūtu tekstu anotations, aprakstus

3. Charts and graphs