[Python] Quero extrair questões de concursos direto de PDFs da banca (com imagem, texto e...

Fala, pessoal! Tudo certo?

Estou desenvolvendo uma plataforma de questões para concursos públicos aqui no Brasil, e queria saber como vocês resolveriam um desafio que tô enfrentando agora.

A ideia é automatizar a extração de questões direto dos PDFs das bancas (FGV, CEBRASPE, FCC etc.). Esses PDFs geralmente vêm em dois formatos:

Texto selecionável (mais fácil de lidar)

Escaneado como imagem (precisa de OCR)

Além disso, muitas questões têm imagens no enunciado, e eu preciso garantir que elas sejam extraídas e vinculadas corretamente à questão certa.

O que eu quero no final é gerar um JSON estruturado com tudo organizado:

{
"numero": 1,
"enunciado": "...",
"alternativas": {
"A": "...",
"B": "...",
"C": "...",
"D": "..."
},
"resposta_correta": "C",
"banca": "FGV",
"ano": 2023,
"prova": "TRT 1ª Região - Técnico Judiciário",
"disciplina": "Direito Administrativo",
"materia": "Atos Administrativos",
"assunto": "Anulação e Revogação",
"imagem": "questao_1.png" // se tiver
}


Hoje faço isso tudo manualmente, copiando e colando texto por texto, questão por questão — o que é super inviável no longo prazo. Quero automatizar esse processo e deixar tudo o mais limpo possível.

Dicas de como automatizar tudo isso?

Continue reading...