app.py

import gradio as gr
import fitz  # PyMuPDF
import arabic_reshaper
import pytesseract
from PIL import Image


def extract_text_from_pdf(pdf_file):
    """
    استخراج متن از PDF با پشتیبانی از OCR برای فایل‌های اسکن‌شده یا غیرقابل‌خواندن
    """
    if pdf_file is None:
        return "لطفاً یک فایل PDF آپلود کنید.", None
    
    try:
        pdf_document = fitz.open(pdf_file)
        all_text = []
        
        for page_num in range(len(pdf_document)):
            page = pdf_document[page_num]
            
            # تلاش اول: استخراج متن مستقیم
            text = page.get_text("text")
            
            # اگر متن خالی یا بی‌معنی بود → OCR
            if not text.strip() or len(set(text)) < 10:
                pix = page.get_pixmap(dpi=200)  # صفحه به تصویر
                img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
                text = pytesseract.image_to_string(img, lang="fas+ara+eng")
            
            # پردازش متن فارسی/عربی
            if any('\u0600' <= char <= '\u06FF' or '\u0750' <= char <= '\u077F' for char in text):
                text = arabic_reshaper.reshape(text)
            
            all_text.append(f"--- صفحه {page_num + 1} ---\n{text}\n")
        
        pdf_document.close()
        extracted_text = "\n".join(all_text)

        # ذخیره در فایل txt
        output_file = "extracted_text.txt"
        with open(output_file, "w", encoding="utf-8") as f:
            f.write(extracted_text)
        
        return extracted_text, output_file
    
    except Exception as e:
        return f"خطا در پردازش فایل: {str(e)}", None


def create_interface():
    """
    رابط کاربری Gradio
    """
    with gr.Blocks(theme=gr.themes.Soft()) as interface:
        gr.Markdown(
            """
            # 📄 استخراج متن از PDF با OCR
            
            این برنامه متن را از فایل‌های PDF استخراج می‌کند.  
            - ابتدا سعی می‌کند متن را مستقیماً بخواند.  
            - اگر PDF اسکن‌شده یا رمزگذاری‌شده باشد، از OCR (تشخیص متن از تصویر) استفاده می‌کند.  
            
            ### نحوه استفاده:
            1. فایل PDF خود را آپلود کنید  
            2. روی دکمه "استخراج متن" کلیک کنید  
            3. متن استخراج‌شده را ببینید یا فایل txt را دانلود کنید  
            """
        )
        
        with gr.Row():
            with gr.Column(scale=1):
                pdf_input = gr.File(
                    label="📂 فایل PDF را آپلود کنید",
                    file_types=[".pdf"],
                    type="filepath"
                )
                extract_btn = gr.Button(
                    "🔍 استخراج متن",
                    variant="primary"
                )
            
            with gr.Column(scale=2):
                text_output = gr.Textbox(
                    label="📝 متن استخراج شده",
                    placeholder="اینجا متن PDF نمایش داده می‌شود...",
                    lines=20,
                    max_lines=30
                )
                download_output = gr.File(
                    label="⬇️ دانلود خروجی به صورت txt"
                )
        
        # اتصال دکمه
        extract_btn.click(
            fn=extract_text_from_pdf,
            inputs=pdf_input,
            outputs=[text_output, download_output]
        )
    
    return interface


if __name__ == "__main__":
    interface = create_interface()
    interface.launch()