Visão geral
No jurídico e na área de compliance, ler processo judicial em PDF é um dos maiores gargalos: são documentos longos, em jargão que varia, sem padrão de diagramação. Achar e copiar na mão número do processo, partes, pedidos, valor da causa e decisões liminares é lento, caro e sujeito a erro.
O projeto criou uma esteira automática de extração aplicada a 181 processos complexos. O pipeline lê o PDF, converte para Markdown para preservar tabelas e hierarquia, controla o tamanho do contexto e extrai os campos jurídicos com validação de tipos.
É Python, com PyMuPDF4LLM na extração do texto e a API da OpenAI com saída estruturada seguindo à risca um esquema em Pydantic. O consumo de contexto é medido com tiktoken e os dados são gravados aos poucos em JSON Lines, para não perder trabalho em execução longa, antes de virar um DataFrame no Pandas. Documento escaneado antigo ainda precisa de OCR à parte. A arquitetura de extração tipada e auditável serve para due diligence em M&A, auditoria de contratos e triagem de petições.