app.py

import gradio as gr
from pdfminer.high_level import extract_text_to_fp
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
import io


def extract_text_from_pdf(pdf_file) -> str:
    """
    Extrahiert Text aus einer PDF-Datei mit optimierten Parametern für
    komplexe Layouts (z. B. mehrspaltige Dokumente).
    """
    if pdf_file is None:
        return "Keine Datei hochgeladen."

    # LAParams – optimal für komplexe / mehrspaltiges Layout
    laparams = LAParams(
        # Maximaler Abstand zwischen Zeichen innerhalb eines Worts
        word_margin=0.1,
        # Zeilenhöhen-Verhältnis, das zwei Zeilen als zusammengehörig betrachtet
        line_margin=0.3,
        # Verhältnis von Zeichenbreite zu Abstand, um Wortgrenzen zu bestimmen
        char_margin=1.5,
        # Verhältnis Boxbreite zu Seitenbreite – Schwelle für neue Spalte
        boxes_flow=0.5,   # 0 = rein horizontal, 1 = rein vertikal, 0.5 = ausgewogen
        # Nur horizontalen Text berücksichtigen (False = auch rotiert)
        detect_vertical=False,
        # Alle Textboxen behalten, auch ohne explizite Linie
        all_texts=False,
    )

    rsrcmgr = PDFResourceManager()
    output = io.StringIO()

    with open(pdf_file, "rb") as f:
        converter = TextConverter(rsrcmgr, output, laparams=laparams)
        interpreter = PDFPageInterpreter(rsrcmgr, converter)

        pages = list(PDFPage.get_pages(f, check_extractable=True))
        total_pages = len(pages)

        for page in pages:
            interpreter.process_page(page)

        converter.close()

    text = output.getvalue()
    output.close()

    if not text.strip():
        return "⚠️ Kein extrahierbarer Text gefunden (möglicherweise ein gescanntes PDF)."

    return f"📄 {total_pages} Seite(n) verarbeitet\n\n{text}"


# ── Gradio UI ──────────────────────────────────────────────────────────────────

with gr.Blocks(title="PDF Textextraktion") as demo:
    gr.Markdown(
        """
        # 📄 PDF Textextraktion
        Lädt eine PDF-Datei hoch und extrahiert den Text mit **pdfminer.six**,
        optimiert für **komplexe Layouts** (Mehrspaltigkeit, Tabellen, gemischter Fluss).
        """
    )

    with gr.Row():
        with gr.Column(scale=1):
            pdf_input = gr.File(
                label="PDF hochladen",
                file_types=[".pdf"],
                type="filepath",
            )
            extract_btn = gr.Button("Text extrahieren", variant="primary")

        with gr.Column(scale=2):
            text_output = gr.Textbox(
                label="Extrahierter Text",
                lines=30,
                max_lines=100,
                show_copy_button=True,
                placeholder="Der extrahierte Text erscheint hier…",
            )

    extract_btn.click(
        fn=extract_text_from_pdf,
        inputs=pdf_input,
        outputs=text_output,
    )

    gr.Markdown(
        """
        ---
        **Parametererklärung (LAParams):**
        | Parameter | Wert | Bedeutung |
        |-----------|------|-----------|
        | `char_margin` | 1.5 | Zeichenabstand für Worterkennung |
        | `word_margin` | 0.1 | Wortabstand innerhalb einer Zeile |
        | `line_margin` | 0.3 | Zeilenabstand für Absatzerkennung |
        | `boxes_flow` | 0.5 | Ausgewogene Spalten- & Zeilenerkennung |
        | `detect_vertical` | False | Nur horizontalen Text verarbeiten |
        """
    )


if __name__ == "__main__":
    demo.launch()