Delete app.py

app.py

@@ -1,197 +0,0 @@
-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)
-
-    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:
-    text = re.sub(r'\b[0-9۰-۹]+\b', '', text)
-    text = re.sub(r'\s+', ' ', text).strip()
-    return text
-
-# ----------------------------------------------------------------------
-# فرمت شبیه کتاب
-# ----------------------------------------------------------------------
-def format_as_book(text: str) -> str:
-    text = re.sub(r'\n+', '\n', text)
-    text = re.sub(r'(?<![.؟!])\n\s*', ' ', text)
-    text = re.sub(r'\s+', ' ', text).strip()
-    text = re.sub(r'([.؟!])\s+', r'\1\n', text)
-    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 (با نمایش پیشرفت)
-# ----------------------------------------------------------------------
-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"
-
-        # 🟢 نوار پیشرفت و متن وضعیت
-        progress_bar = st.progress(0)
-        status_text = st.empty()
-
-        total_to_process = len(images)
-        for i, img in enumerate(images):
-            page_num = start_page + i
-            status_text.text(f"در حال پردازش صفحه {page_num} از {end_page} ...")
-            
-            # OCR صفحه
-            text = ocr_from_image(img)
-            all_text += f"--- صفحه {page_num} ---\n{text}\n\n"
-            
-            # بروزرسانی درصد
-            percent = int(((i + 1) / total_to_process) * 100)
-            progress_bar.progress(percent)
-
-        status_text.text("✅ پردازش کامل شد.")
-        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 ")
-                    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")
-                    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()