DocuExtract

O Problema

A captura manual de dados de faturas para a contabilidade é lenta e propensa a erros humanos, e as empresas precisam de um fluxo confiável mesmo quando o OCR não tem certeza do resultado.

A Solução

O DocuExtract permite enviar uma fatura ou recibo e usa OCR para extrair os dados fiscais principais, deixando-os prontos para a contabilidade. Quando a confiança do reconhecimento é baixa, o documento segue para um fluxo de revisão humana em vez de salvar dados pouco confiáveis.

Arquitetura / Engineering

• Projetei o pipeline de processamento (envio → OCR/extração → parsing → persistência), separando o processamento no servidor da UI.
• Integrei o Tesseract.js (espanhol + inglês) para OCR em imagens, e extração da camada de texto nativa de PDFs com pdf-parse.
• Construí um sistema de confiança combinando a confiabilidade do OCR e os campos fiscais detectados, que encaminha automaticamente para revisão humana abaixo de um limiar configurável.
• Implementei regex especializadas para identificar identificadores fiscais (NIT/RIF/CUIT/RFC/RUC), datas (numéricas e por extenso) e valores com base em palavras-chave contábeis.
• Isolei os dados por empresa com Row Level Security do Supabase, e servi os documentos originais por meio de URLs assinadas de curta duração a partir de um bucket de Storage privado.
• Mantive a `service_role key` do Supabase exclusivamente em Route Handlers no servidor, nunca exposta ao navegador.

Funcionalidades Principais

• Envio de faturas/recibos com validação de tipo e tamanho de arquivo.
• OCR em imagens (Tesseract.js) e extração de texto nativo em PDFs.
• Extração e normalização de campos fiscais: identificação fiscal, datas, valores e itens.
• Pontuação de confiança com encaminhamento automático para revisão humana.
• Revisão e validação manual do documento antes de marcá-lo como concluído.
• Exportação de faturas em CSV.

Desafios Técnicos

• Separar o processamento no servidor (OCR, parsing, acesso ao Storage) da UI, para que a `service_role key` nunca chegue ao cliente.
• Projetar o cálculo de confiança combinando a confiabilidade do OCR com a quantidade de campos-chave detectados, em vez de um limiar arbitrário único.
• Isolar os dados por empresa com RLS para que nenhum usuário consiga ler ou escrever faturas de outra empresa mesmo conhecendo seu ID.

Resultado / Estado Atual

Publicado na Vercel. O fluxo completo — envio, OCR/parsing, persistência e revisão humana — funciona de ponta a ponta em imagens e PDFs com camada de texto nativa.

Stack