DocStream é uma solução de engenharia de dados desenvolvida para automatizar a extração e o processamento de dados contidos em arquivos PDF. Este sistema elimina a necessidade de digitação manual, reduzindo custos e aumentando a eficiência operacional das empresas que lidam com grandes volumes de documentos PDF diariamente.

Este projeto automatiza a extração de dados de arquivos PDF, eliminando a necessidade de processos manuais de digitação de notas fiscais ou documentos semelhantes. Os arquivos são carregados em um bucket S3, uma fila SQS detecta novos uploads e um processo (executando em uma instância EC2 ou em outro servidor) extrai e insere os dados no PostgreSQL.

1. Upload: O PDF é carregado no bucket S3.
2. Notificação: O S3 envia um evento para o SQS, informando o nome e a extensão do arquivo.
3. Consulta Regular: Verificação da fila SQS a cada 2 minutos por um processo dedicado (EC2 ou ambiente similar)
4. Extração: Se houver mensagem na fila SQS, inicia a extração de dados (dois métodos que podemos escolher):
   • Extração de PDF de forma gráfica (por exemplo, via Camelot ou Tabula).
   • Extração de PDF de forma textual (via Regex ou PyPDF2).
5. Armazenamento em PostgreSQL: Todos os dados extraídos são inseridos em uma base de dados relacional.
6. Transformação e Carga: Os dados são transformados e gravados no PostgreSQL.

• Descrição: O PostgreSQL é um dos bancos de dados relacionais de código aberto mais robustos e amplamente adotados no mercado.
• Uso no Projeto: Armazenamento principal dos dados extraídos, com suporte a alto volume de consultas analíticas.

• Descrição: Serviço de computação em nuvem que oferece servidores virtuais escaláveis.
• Uso no Projeto: Hospeda o processo que verifica a fila SQS e executa as rotinas de extração de dados.

• Descrição: Serviço de armazenamento de objetos altamente escalável.
• Uso no Projeto: Armazena os PDFs enviados para posterior extração de dados.

• Descrição: Fila de mensagens totalmente gerenciada que desacopla sistemas e coordena fluxos de trabalho assíncronos.
• Uso no Projeto: Detecta uploads de PDFs no S3 e notifica o processo de extração.

• Descrição: Streamlit é uma biblioteca Python de código aberto que permite a criação de aplicativos web interativos de forma rápida e fácil. Utilizado principalmente para construir dashboards e interfaces de dados, o Streamlit é ideal para prototipagem rápida e visualização de dados sem a necessidade de conhecimentos avançados em desenvolvimento web.
• Uso no Projeto: Utilizado para construir o frontend da aplicação, permitindo que os usuários façam o upload dos PDFs de forma interativa e visualizem os resultados diretamente na interface, por meio de um dashboard.

Comando:

 streamlit run src/frontend/app.py 

• Descrição: DBT (Data Build Tool) é uma ferramenta de transformação de dados que permite a construção de modelos SQL e a aplicação de boas práticas de desenvolvimento de software ao ETL.
• Uso no Projeto: Utilizado para transformar os dados das camadas Bronze e Silver, preparando-os para a camada Gold, onde estarão prontos para consumo pelos analistas.

• Python 3.x
• Bibliotecas:
  • camelot-py ou tabula-py para extração de tabelas
  • PyPDF2 para extração de texto
  • boto3 para interagir com S3 e SQS
  • psycopg2 para conexão com PostgreSQL
• Banco de Dados:
  • PostgreSQL

1. Clone o Repositório

   git clone https://github.com/seu_usuario/pdf-data-extractor.git
   cd pdf-data-extractor

2. Instale as Dependências

   pip install -r requirements.txt

   ou

   poetry shell
   poetry install

3. Configure as Variáveis de Ambiente

   • Credenciais AWS:

     export AWS_ACCESS_KEY_ID=SEU_ACCESS_KEY
     export AWS_SECRET_ACCESS_KEY=SUA_SECRET_KEY
     export AWS_REGION=us-east-1
     export S3_BUCKET=nome-do-seu-bucket
     export SQS_QUEUE_URL=url-da-sua-fila

   • Banco de Dados:

     export DB_NAME=nome_do_banco
     export DB_USER=usuario
     export DB_PASSWORD=senha
     export DB_HOST=host_do_banco
     export DB_PORT=5432

4. Execute o Processamento

   python ./src/__init__.py

   O script verificará a fila SQS, fará o download do PDF do S3 e executará as rotinas de extração. Caso encontre dados, insere-os no PostgreSQL.

5. Execute o Dashboard Streamlit

   streamlit run src/frontend/app.py 

6. Faça o upload dos pdfs contidos na pasta 'jornada' (caso queira fazer o upload dos 'redrex', basta alterar no arquivo src/init.py a variável rule_name para rule_name='redrex'):

   src/files/pdf/jornada/

7. Execute o dbt para atualizar a tabela gold:

   cd src/dbt_dw/
   dbt debug
   dbt run

Contribuições são bem-vindas! Por favor, siga os passos:

1. Faça um fork do projeto
2. Crie uma branch para sua feature (git checkout -b feature/nova-funcionalidade)
3. Commit suas mudanças (git commit -m 'Adiciona nova funcionalidade')
4. Push para a branch (git push origin feature/nova-funcionalidade)
5. Abra um Pull Request