Upload app.py

app.py

@@ -0,0 +1,186 @@
+import os
+import re
+import tempfile
+import streamlit as st
+from PIL import Image
+from pdf2image import convert_from_path, pdfinfo_from_path
+import pytesseract
+
+# ----------------------------------------------------------------------
+# تنظیمات اولیه
+# ----------------------------------------------------------------------
+ZWNJ = '\u200c'
+
+# ----------------------------------------------------------------------
+# تابع نرمال‌سازی متن فارسی
+# ----------------------------------------------------------------------
+def normalize_text(text: str) -> str:
+    if not text:
+        return ""
+    
+    arabic_to_persian = {
+        'ك': 'ک', 'ي': 'ی', 'ئ': 'ی', 'أ': 'ا', 'ة': 'ه',
+        'ؤ': 'و', 'إ': 'ا', 'ٰ': '', 'ٔ': '', 'ّ': ''
+    }
+    for ar, pr in arabic_to_persian.items():
+        text = text.replace(ar, pr)
+
+    corrections = {
+        'پسرده': 'پرده', 'اینن': 'این', 'خلسوت': 'خلوت',
+        'نضورد': 'نخورد', 'سبصد': 'سیصد', 'صایون': 'صابون',
+        'وشد': 'شد', 'میکنند': 'می‌کنند', 'میشود': 'می‌شود',
+        'میکرد': 'می‌کرد', 'میکنم': 'می‌کنم', 'میکنی': 'می‌کنی',
+        'میکسرد': 'می‌کرد', 'میکسند': 'می‌کنند', 'اِقتصاد': 'اقتصاد',
+        'اِجتماع': 'اجتماع', 'اِنسان': 'انسان', 'اِمکان': 'امکان'
+    }
+    for wrong, correct in corrections.items():
+        text = text.replace(wrong, correct)
+
+    # حذف کلمات غیرمعنی‌دار یا عدد/حرف لاتین وسط متن
+    text = re.sub(r'\b[0-9a-zA-Z\-]+\b', '', text)
+    text = re.sub(r'[^\w\s\u200c\u200d\u200e\u200f\u0600-\u06FF]', ' ', text)
+    text = re.sub(r'\s+', ' ', text).strip()
+    text = re.sub(r'(می|نمی)\s+(باشد|کند|شود|روم|کنم|کنی|کنید|کنیم|رسد|گردد|دهد)',
+                  lambda m: m.group(1) + ZWNJ + m.group(2), text)
+    text = re.sub(r'(ها)\s+', r'\1' + ZWNJ + ' ', text)
+    text = re.sub(r'\s+([؟؟،،.:!;])', r'\1', text)
+    return text
+
+# ----------------------------------------------------------------------
+# حذف نویز و اعداد وسط متن
+# ----------------------------------------------------------------------
+def remove_noise(text: str) -> str:
+    # حذف اعداد فارسی و انگلیسی وسط متن
+    text = re.sub(r'\b[0-9۰-۹]+\b', '', text)
+    text = re.sub(r'\s+', ' ', text).strip()
+    return text
+
+# ----------------------------------------------------------------------
+# فرمت شبیه کتاب (حذف شکست خط وسط جمله)
+# ----------------------------------------------------------------------
+def format_as_book(text: str) -> str:
+    text = re.sub(r'\n+', '\n', text)  # چند خط پشت سر هم → ۱ خط
+    text = re.sub(r'(?<![.؟!])\n\s*', ' ', text)  # خط وسط جمله → فاصله
+    text = re.sub(r'\s+', ' ', text).strip()  # حذف فاصله اضافی
+    text = re.sub(r'([.؟!])\s+', r'\1\n', text)  # بعد از پایان جمله، خط جدید
+    return text
+
+# ----------------------------------------------------------------------
+# OCR از تصویر
+# ----------------------------------------------------------------------
+def ocr_from_image(image: Image.Image) -> str:
+    image = image.convert('L')
+    config = r'--oem 3 --psm 6 -c preserve_interword_spaces=1'
+    raw = pytesseract.image_to_string(image, lang='fas+eng', config=config)
+    text = normalize_text(raw)
+    text = remove_noise(text)
+    text = format_as_book(text)
+    return text
+
+# ----------------------------------------------------------------------
+# OCR از PDF
+# ----------------------------------------------------------------------
+def ocr_from_pdf(pdf_path: str, start_page: int, end_page: int) -> str:
+    try:
+        info = pdfinfo_from_path(pdf_path)
+        total_pages = int(info["Pages"])
+        end_page = min(end_page, total_pages)
+        start_page = max(1, start_page)
+
+        if start_page > total_pages:
+            return "❌ شماره صفحه شروع از تعداد کل صفحات بیشتر است."
+
+        images = convert_from_path(pdf_path, dpi=300, first_page=start_page, last_page=end_page)
+
+        all_text = f"📊 استخراج صفحات {start_page} تا {end_page} از {total_pages} صفحه:\n\n"
+        for i, img in enumerate(images):
+            page_num = start_page + i
+            text = ocr_from_image(img)
+            all_text += f"--- صفحه {page_num} ---\n{text}\n\n"
+
+        return all_text.strip()
+
+    except Exception as e:
+        return f"❌ خطا در پردازش PDF: {str(e)}"
+
+# ----------------------------------------------------------------------
+# رابط کاربری Streamlit
+# ----------------------------------------------------------------------
+def main():
+    st.set_page_config(page_title="OCR فارسی - کتابی", layout="wide")
+    st.markdown(
+        """
+        <style>
+        body {direction: rtl; text-align: right; font-family: "Vazir", "Tahoma", sans-serif;}
+        textarea {
+            direction: rtl !important;
+            text-align: justify !important;
+            font-family: "Vazir", "Tahoma", sans-serif !important;
+            line-height: 1.8 !important;
+            white-space: pre-wrap !important;
+        }
+        </style>
+        """, unsafe_allow_html=True
+    )
+
+    st.title(" OCR فارسی - خروجی شبیه کتاب")
+    st.markdown("استخراج متن از **PDF** یا **تصویر** بدون اعداد و نویز وسط متن")
+
+    with st.sidebar:
+        st.header("⚙️ تنظیمات استخراج")
+        uploaded_file = st.file_uploader("📁 فایل خود را آپلود کنید (PDF، JPG، PNG)", type=["pdf","jpg","jpeg","png"])
+        start_page, end_page = 1, 1
+        tmp_path = None
+
+        if uploaded_file is not None:
+            file_ext = uploaded_file.name.lower().split('.')[-1]
+            with tempfile.NamedTemporaryFile(delete=False, suffix=f".{file_ext}") as tmp_file:
+                tmp_file.write(uploaded_file.getvalue())
+                tmp_path = tmp_file.name
+
+            if file_ext == "pdf":
+                try:
+                    info = pdfinfo_from_path(tmp_path)
+                    total_pages = int(info["Pages"])
+                    st.success(f"📄 فایل PDF با **{total_pages} صفحه** شناسایی شد.")
+                    extract_all = st.checkbox("✅ استخراج همه صفحات", value=True)
+                    if not extract_all:
+                        start_page = st.number_input("صفحه شروع", 1, total_pages, 1)
+                        end_page = st.number_input("صفحه پایان", 1, total_pages, total_pages)
+                    else:
+                        start_page, end_page = 1, total_pages
+                except Exception as e:
+                    st.error(f"❌ خطا در خواندن PDF: {e}")
+            else:
+                st.info("📷 فایل تصویری — تمام محتوا پردازش خواهد شد.")
+
+    # Main
+    if uploaded_file is not None and tmp_path:
+        file_ext = uploaded_file.name.lower().split('.')[-1]
+
+        if file_ext == "pdf":
+            if st.button("🚀 استخراج متن از PDF", use_container_width=True):
+                with st.spinner("در حال پردازش..."):
+                    result = ocr_from_pdf(tmp_path, start_page, end_page)
+                    st.markdown("### 📝 متن استخراج‌شده (فرمت کتابی)")
+                    st.text_area("📘 خروجی OCR", result, height=600)
+                    st.download_button("📥 دانلود متن", result, file_name="extracted_text.txt")
+
+        else:
+            st.image(uploaded_file, caption="تصویر آپلود شده", use_column_width=True)
+            if st.button("🚀 استخراج متن از تصویر", use_container_width=True):
+                with st.spinner("در حال پردازش..."):
+                    image = Image.open(tmp_path)
+                    result = ocr_from_image(image)
+                    st.markdown("### 📝 متن استخراج‌شده (فرمت کتابی)")
+                    st.text_area("📘 خروجی OCR", result, height=600)
+                    st.download_button("📥 دانلود متن", result, file_name="extracted_text.txt")
+
+        if os.path.exists(tmp_path):
+            os.unlink(tmp_path)
+
+    else:
+        st.info("📁 لطفاً یک فایل آپلود کنید.")
+
+if __name__ == "__main__":
+    main()