feat: implementar extrator de referências de PDFs com interface Gradio

Co-authored-by: aider (anthropic/claude-sonnet-4-20250514) <aider@aider.chat>

app.py

@@ -1,6 +1,140 @@
-def main():
-    print("Hello from reference-extractor!")
+import gradio as gr
+import PyPDF2
+import pandas as pd
+import openai
+import os
+from dotenv import load_dotenv
+import io
+import json
+import re
+
+def extract_pdf_text(pdf_file):
+    """Extrai texto e metadados básicos do PDF"""
+    try:
+        pdf_reader = PyPDF2.PdfReader(pdf_file)
+        
+        # Extrair texto de todas as páginas
+        full_text = ""
+        for page in pdf_reader.pages:
+            full_text += page.extract_text() + "\n"
+        
+        # Extrair metadados básicos
+        metadata = {
+            "num_pages": len(pdf_reader.pages),
+            "title": pdf_reader.metadata.get('/Title', 'Não disponível') if pdf_reader.metadata else 'Não disponível',
+            "author": pdf_reader.metadata.get('/Author', 'Não disponível') if pdf_reader.metadata else 'Não disponível'
+        }
+        
+        return full_text, metadata
+    except Exception as e:
+        return None, {"error": f"Erro ao processar PDF: {str(e)}"}
+
+def extract_references_with_llm(text):
+    """Usa OpenAI para extrair e estruturar referências"""
+    try:
+        client = openai.OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
+        
+        prompt = f"""
+        Analise o texto do artigo científico abaixo e extraia APENAS a seção de referências bibliográficas.
+        
+        Para cada referência encontrada, extraia as seguintes informações em formato JSON:
+        - authors: lista de autores
+        - title: título do trabalho
+        - journal: nome da revista/conferência
+        - year: ano de publicação
+        - volume: volume (se disponível)
+        - pages: páginas (se disponível)
+        - doi: DOI (se disponível)
+        
+        Retorne um array JSON com todas as referências encontradas.
+        
+        Texto do artigo:
+        {text[:8000]}  # Limita o texto para evitar exceder limites da API
+        """
+        
+        response = client.chat.completions.create(
+            model="gpt-3.5-turbo",
+            messages=[{"role": "user", "content": prompt}],
+            temperature=0.1
+        )
+        
+        # Extrair JSON da resposta
+        content = response.choices[0].message.content
+        # Procurar por JSON na resposta
+        json_match = re.search(r'\[.*\]', content, re.DOTALL)
+        if json_match:
+            references_data = json.loads(json_match.group())
+            return references_data
+        else:
+            return []
+            
+    except Exception as e:
+        return [{"error": f"Erro ao processar com LLM: {str(e)}"}]
 
+def process_pdf(pdf_file):
+    """Função principal que processa o PDF e retorna resultados"""
+    if pdf_file is None:
+        return {"error": "Nenhum arquivo enviado"}, pd.DataFrame()
+    
+    # Extrair texto do PDF
+    text, metadata = extract_pdf_text(pdf_file)
+    
+    if text is None:
+        return metadata, pd.DataFrame()
+    
+    # Extrair referências com LLM
+    references = extract_references_with_llm(text)
+    
+    # Converter para DataFrame
+    if references and not any("error" in ref for ref in references):
+        df = pd.DataFrame(references)
+    else:
+        df = pd.DataFrame({"Erro": ["Não foi possível extrair referências"]})
+    
+    return metadata, df
+
+def create_interface():
+    """Cria a interface Gradio"""
+    with gr.Blocks(title="Extrator de Referências") as interface:
+        gr.Markdown("# 📚 Extrator de Referências de Artigos Científicos")
+        gr.Markdown("Faça upload de um PDF de artigo científico para extrair automaticamente a lista de referências.")
+        
+        with gr.Row():
+            pdf_input = gr.File(
+                label="📄 Upload do PDF",
+                file_types=[".pdf"],
+                type="binary"
+            )
+        
+        extract_btn = gr.Button("🔍 Extrair Referências", variant="primary")
+        
+        with gr.Row():
+            with gr.Column():
+                metadata_output = gr.JSON(label="📋 Metadados do Artigo")
+            with gr.Column():
+                references_output = gr.Dataframe(
+                    label="📖 Lista de Referências",
+                    wrap=True
+                )
+        
+        extract_btn.click(
+            process_pdf,
+            inputs=[pdf_input],
+            outputs=[metadata_output, references_output]
+        )
+    
+    return interface
+
+def main():
+    load_dotenv()  # Carrega variáveis de ambiente do arquivo .env
+    
+    # Verificar se a chave da API está configurada
+    if not os.getenv("OPENAI_API_KEY"):
+        print("⚠️  AVISO: Chave da API OpenAI não encontrada!")
+        print("Crie um arquivo .env com: OPENAI_API_KEY=sua_chave_aqui")
+    
+    interface = create_interface()
+    interface.launch(share=True)
 
 if __name__ == "__main__":
     main()

pyproject.toml

@@ -4,4 +4,10 @@ version = "0.1.0"
 description = "Add your description here"
 readme = "README.md"
 requires-python = ">=3.12"
-dependencies = []
+dependencies = [
+    "gradio>=4.0.0",
+    "PyPDF2>=3.0.0",
+    "pandas>=2.0.0",
+    "openai>=1.0.0",
+    "python-dotenv>=1.0.0"
+]