feat: tentando extrair texto de .doc sem usar o textract

_utils/bubble_integrations/obter_arquivo.py

@@ -8,8 +8,10 @@ from langchain_community.document_loaders import (
 )
 import tempfile
 import requests
-import textract
 
+# import textract
+
+from _utils.gerar_documento_utils.utils import getTextFromDotDoc
 from _utils.handle_files import return_document_list_with_llama_parser
 from _utils.langchain_utils.splitter_util import Splitter_Simple, SplitterUtils
 
@@ -56,8 +58,8 @@ async def get_pdf_from_bubble(
             result = TextLoader(temp_path).load()
         elif extension.lower() == "doc":
             temp_path = download_file_from_bubble(file_url, headers, ".doc")
-            full_text_binary = textract.process(temp_path)
-            full_text = full_text_binary.decode("utf-8")
+            # full_text_binary = textract.process(temp_path)
+            full_text = getTextFromDotDoc(temp_path)
             result = splitter_simple.load_and_split_text(full_text)
         else:
             temp_path = download_file_from_bubble(file_url, headers, ".docx")

_utils/gerar_documento_utils/utils.py

@@ -125,3 +125,24 @@ async def generate_document_title(resumo_para_gerar_titulo: str):
     prompt = f"Você é um assistente jurídico e irá receber abaixo o resumo de um documento jurídico. Quero que você gere um título para este documento. Mande como resposta apenas o título gerado, nada mais. Aqui está um título de exemplo pra você se basear ao criar um novo: <titulo_de_exemplo>Ação Penal por Furto Qualificado nº 0002269-86.2009.805.0032<titulo_de_exemplo>\n\nSegue abaixo o resumo do documento jurídico:\n{resumo_para_gerar_titulo}"
     response = await agemini_answer(prompt, "gemini-2.0-flash-lite")
     return response
+
+
+def getTextFromDotDoc(file_path: str):
+    import subprocess
+    import shutil
+
+    antiword_path = shutil.which("antiword")
+    command = [antiword_path, "-m", "UTF-8", file_path]
+
+    # Execute the command
+    result = subprocess.run(
+        command,
+        capture_output=True,  # Capture stdout and stderr
+        text=True,  # Decode stdout/stderr as text using utf-8
+        check=True,  # Raise CalledProcessError on non-zero exit code
+        encoding="utf-8",  # Explicitly specify decoding
+    )
+
+    # Success! The extracted text is in result.stdout
+    extracted_text = result.stdout
+    return extracted_text

_utils/langchain_utils/Splitter_class.py

@@ -1,4 +1,5 @@
 from _utils.bubble_integrations.obter_arquivo import get_pdf_from_bubble
+from _utils.gerar_documento_utils.utils import getTextFromDotDoc
 from _utils.handle_files import return_document_list_with_llama_parser
 from _utils.langchain_utils.splitter_util import (
     Splitter_Simple,
@@ -18,7 +19,7 @@ from _utils.models.gerar_documento import (
     DocumentChunk,
 )
 import uuid
-import textract
+# import textract
 
 
 class Splitter:
@@ -83,8 +84,8 @@ class Splitter:
                 elif file_extension == "txt":
                     pages = TextLoader(pdf_path).load()
                 elif file_extension == "doc":
-                    full_text_binary = textract.process(pdf_path)
-                    full_text = full_text_binary.decode("utf-8")
+                    # full_text_binary = textract.process(pdf_path)
+                    full_text = getTextFromDotDoc(pdf_path)
                     pages = self.splitter_simple.load_and_split_text(full_text)
                 else:
                     pages = Docx2txtLoader(pdf_path).load()