Repository navigation
feat: execução em lote com persistência em JSON e CSV - #7
Merged
Merged
Conversation
This file contains hidden or bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
Add this suggestion to a batch that can be applied as a single commit.This suggestion is invalid because no changes were made to the code.Suggestions cannot be applied while the pull request is closed.Suggestions cannot be applied while viewing a subset of changes.Only one suggestion per line can be applied in a batch.Add this suggestion to a batch that can be applied as a single commit.Applying suggestions on deleted lines is not supported.You must change the existing code in this line in order to create a valid suggestion.Outdated suggestions cannot be applied.This suggestion has been applied or marked resolved.Suggestions cannot be applied from pending reviews.Suggestions cannot be applied on multi-line comments.Suggestions cannot be applied while the pull request is queued to merge.Suggestion cannot be applied right now. Please check back later.
Adiciona a execução do pipeline sobre uma pasta de PDFs e a gravação dos resultados.
main.pyprocessa os documentos em paralelo (4 por padrão, ajustável com--workers), com entrada e saída configuráveis. Cada arquivo é tratado de forma isolada: um documento problemático virafailedouneeds_reviewno próprio registro e não interrompe o lote. Só o erro de configuração do Tesseract aborta a execução.persist.pygravaresults.json(um registro por arquivo, com status, motivo, avisos, dados, confiança do OCR, tokens, latência e tentativas), um CSV por tipo (notas fiscais, itens das notas, contratos e relatórios) esummary.jsoncom contagens, tokens e a lista de pendências. Os CSVs trazem as colunasstatusemotivo, e incluem os documentos em revisão para que os dados extraídos não se percam.Resultado da execução sobre os 50 documentos (versionado em
data/out/): 38 ok e 12 needs_review, nenhuma falha, em 60 s. 11 dos 12 em revisão são notas fiscais cuja soma dos itens difere do total impresso. O outro (014_yfas) teve a quantidade de um item lida pelo OCR como "Ki" em vez de um número, e ficou em revisão com esse motivo depois de duas tentativas. 8 documentos precisaram da nova tentativa com o modelo maior. Total de 62.790 tokens de entrada e 23.444 de saída.Também silencia o aviso do Gemini sobre temperatura ignorada, que poluía a saída do lote.