app.py

import PyPDF2
import io
import gradio as gr
import langdetect
from langdetect import detect
import re

# تابع برای تشخیص زبان و استخراج متن
def extract_text_from_pdf(pdf_file, detect_language=True):
    try:
        # خواندن فایل PDF
        pdf_reader = PyPDF2.PdfReader(io.BytesIO(pdf_file))
        text = ""
        
        # استخراج متن از تمام صفحات
        for page_num in range(len(pdf_reader.pages)):
            page = pdf_reader.pages[page_num]
            page_text = page.extract_text()
            if page_text:
                text += page_text + "\n\n"
        
        # تشخیص زبان متن
        detected_lang = "نامشخص"
        if text and detect_language:
            # گرفتن یک نمونه از متن برای تشخیص زبان
            sample_text = text[:min(5000, len(text))]
            sample_text = re.sub(r'\s+', ' ', sample_text).strip()
            
            try:
                detected_lang = detect(sample_text)
                if detected_lang == 'fa':
                    detected_lang = "فارسی"
                elif detected_lang == 'en':
                    detected_lang = "انگلیسی"
            except langdetect.lang_detect_exception.LangDetectException:
                detected_lang = "تشخیص داده نشد"
            
        # برگرداندن نتیجه
        result = f"**زبان تشخیص داده شده: {detected_lang}**\n\n"
        result += text if text else "متنی استخراج نشد."
        
        return result
    
    except Exception as e:
        return f"خطا در پردازش فایل PDF: {str(e)}"

# ساخت رابط کاربری با Gradio
def create_ui():
    with gr.Blocks(title="استخراج متن از PDF با تشخیص زبان") as app:
        gr.Markdown("## استخراج متن از فایل PDF با تشخیص خودکار زبان فارسی یا انگلیسی")
        
        with gr.Row():
            pdf_input = gr.File(label="فایل PDF را آپلود کنید", file_types=[".pdf"])
        
        with gr.Row():
            extract_btn = gr.Button("استخراج متن")
            
        with gr.Row():
            output_text = gr.Textbox(label="متن استخراج شده", lines=20, interactive=False)
        
        extract_btn.click(
            fn=extract_text_from_pdf,
            inputs=[pdf_input],
            outputs=output_text
        )
    
    return app

# اجرای برنامه
if __name__ == "__main__":
    app = create_ui()
    app.launch()