Spaces:
Sleeping
Sleeping
Update app.py
Browse files
app.py
CHANGED
|
@@ -1,11 +1,13 @@
|
|
| 1 |
import gradio as gr
|
| 2 |
-
import fitz #
|
| 3 |
import arabic_reshaper
|
|
|
|
|
|
|
| 4 |
|
| 5 |
|
| 6 |
def extract_text_from_pdf(pdf_file):
|
| 7 |
"""
|
| 8 |
-
استخراج متن از
|
| 9 |
"""
|
| 10 |
if pdf_file is None:
|
| 11 |
return "لطفاً یک فایل PDF آپلود کنید.", None
|
|
@@ -16,7 +18,15 @@ def extract_text_from_pdf(pdf_file):
|
|
| 16 |
|
| 17 |
for page_num in range(len(pdf_document)):
|
| 18 |
page = pdf_document[page_num]
|
| 19 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 20 |
|
| 21 |
# پردازش متن فارسی/عربی
|
| 22 |
if any('\u0600' <= char <= '\u06FF' or '\u0750' <= char <= '\u077F' for char in text):
|
|
@@ -27,7 +37,7 @@ def extract_text_from_pdf(pdf_file):
|
|
| 27 |
pdf_document.close()
|
| 28 |
extracted_text = "\n".join(all_text)
|
| 29 |
|
| 30 |
-
# ذخیره در فایل txt
|
| 31 |
output_file = "extracted_text.txt"
|
| 32 |
with open(output_file, "w", encoding="utf-8") as f:
|
| 33 |
f.write(extracted_text)
|
|
@@ -40,26 +50,28 @@ def extract_text_from_pdf(pdf_file):
|
|
| 40 |
|
| 41 |
def create_interface():
|
| 42 |
"""
|
| 43 |
-
|
| 44 |
"""
|
| 45 |
with gr.Blocks(theme=gr.themes.Soft()) as interface:
|
| 46 |
gr.Markdown(
|
| 47 |
"""
|
| 48 |
-
# 📄 استخراج متن از PDF
|
| 49 |
|
| 50 |
-
این برنامه متن را از فایلهای PDF استخراج
|
|
|
|
|
|
|
| 51 |
|
| 52 |
### نحوه استفاده:
|
| 53 |
-
1. فایل PDF خود را آپلود کنید
|
| 54 |
-
2. روی دکمه "استخراج متن" کلیک کنید
|
| 55 |
-
3. متن
|
| 56 |
"""
|
| 57 |
)
|
| 58 |
|
| 59 |
with gr.Row():
|
| 60 |
with gr.Column(scale=1):
|
| 61 |
pdf_input = gr.File(
|
| 62 |
-
label="فایل PDF را آپلود کنید",
|
| 63 |
file_types=[".pdf"],
|
| 64 |
type="filepath"
|
| 65 |
)
|
|
@@ -67,29 +79,19 @@ def create_interface():
|
|
| 67 |
"🔍 استخراج متن",
|
| 68 |
variant="primary"
|
| 69 |
)
|
| 70 |
-
|
| 71 |
-
gr.Markdown(
|
| 72 |
-
"""
|
| 73 |
-
### ویژگیها:
|
| 74 |
-
- ✅ پشتیبانی از زبان فارسی
|
| 75 |
-
- ✅ پشتیبانی از زبان عربی
|
| 76 |
-
- ✅ پشتیبانی از زبان انگلیسی
|
| 77 |
-
- ✅ امکان دانلود خروجی به صورت txt
|
| 78 |
-
"""
|
| 79 |
-
)
|
| 80 |
|
| 81 |
with gr.Column(scale=2):
|
| 82 |
text_output = gr.Textbox(
|
| 83 |
-
label="متن استخراج شده",
|
| 84 |
-
placeholder="متن
|
| 85 |
lines=20,
|
| 86 |
max_lines=30
|
| 87 |
)
|
| 88 |
download_output = gr.File(
|
| 89 |
-
label="دانلود خروجی به صورت txt"
|
| 90 |
)
|
| 91 |
|
| 92 |
-
# اتصال
|
| 93 |
extract_btn.click(
|
| 94 |
fn=extract_text_from_pdf,
|
| 95 |
inputs=pdf_input,
|
|
|
|
| 1 |
import gradio as gr
|
| 2 |
+
import fitz # PyMuPDF
|
| 3 |
import arabic_reshaper
|
| 4 |
+
import pytesseract
|
| 5 |
+
from PIL import Image
|
| 6 |
|
| 7 |
|
| 8 |
def extract_text_from_pdf(pdf_file):
|
| 9 |
"""
|
| 10 |
+
استخراج متن از PDF با پشتیبانی از OCR برای فایلهای اسکنشده یا غیرقابلخواندن
|
| 11 |
"""
|
| 12 |
if pdf_file is None:
|
| 13 |
return "لطفاً یک فایل PDF آپلود کنید.", None
|
|
|
|
| 18 |
|
| 19 |
for page_num in range(len(pdf_document)):
|
| 20 |
page = pdf_document[page_num]
|
| 21 |
+
|
| 22 |
+
# تلاش اول: استخراج متن مستقیم
|
| 23 |
+
text = page.get_text("text")
|
| 24 |
+
|
| 25 |
+
# اگر متن خالی یا بیمعنی بود → OCR
|
| 26 |
+
if not text.strip() or len(set(text)) < 10:
|
| 27 |
+
pix = page.get_pixmap(dpi=200) # صفحه به تصویر
|
| 28 |
+
img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
|
| 29 |
+
text = pytesseract.image_to_string(img, lang="fas+ara+eng")
|
| 30 |
|
| 31 |
# پردازش متن فارسی/عربی
|
| 32 |
if any('\u0600' <= char <= '\u06FF' or '\u0750' <= char <= '\u077F' for char in text):
|
|
|
|
| 37 |
pdf_document.close()
|
| 38 |
extracted_text = "\n".join(all_text)
|
| 39 |
|
| 40 |
+
# ذخیره در فایل txt
|
| 41 |
output_file = "extracted_text.txt"
|
| 42 |
with open(output_file, "w", encoding="utf-8") as f:
|
| 43 |
f.write(extracted_text)
|
|
|
|
| 50 |
|
| 51 |
def create_interface():
|
| 52 |
"""
|
| 53 |
+
رابط کاربری Gradio
|
| 54 |
"""
|
| 55 |
with gr.Blocks(theme=gr.themes.Soft()) as interface:
|
| 56 |
gr.Markdown(
|
| 57 |
"""
|
| 58 |
+
# 📄 استخراج متن از PDF با OCR
|
| 59 |
|
| 60 |
+
این برنامه متن را از فایلهای PDF استخراج میکند.
|
| 61 |
+
- ابتدا سعی میکند متن را مستقیماً بخواند.
|
| 62 |
+
- اگر PDF اسکنشده یا رمزگذاریشده باشد، از OCR (تشخیص متن از تصویر) استفاده میکند.
|
| 63 |
|
| 64 |
### نحوه استفاده:
|
| 65 |
+
1. فایل PDF خود را آپلود کنید
|
| 66 |
+
2. روی دکمه "استخراج متن" کلیک کنید
|
| 67 |
+
3. متن استخراجشده را ببینید یا فایل txt را دانلود کنید
|
| 68 |
"""
|
| 69 |
)
|
| 70 |
|
| 71 |
with gr.Row():
|
| 72 |
with gr.Column(scale=1):
|
| 73 |
pdf_input = gr.File(
|
| 74 |
+
label="📂 فایل PDF را آپلود کنید",
|
| 75 |
file_types=[".pdf"],
|
| 76 |
type="filepath"
|
| 77 |
)
|
|
|
|
| 79 |
"🔍 استخراج متن",
|
| 80 |
variant="primary"
|
| 81 |
)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 82 |
|
| 83 |
with gr.Column(scale=2):
|
| 84 |
text_output = gr.Textbox(
|
| 85 |
+
label="📝 متن استخراج شده",
|
| 86 |
+
placeholder="اینجا متن PDF نمایش داده میشود...",
|
| 87 |
lines=20,
|
| 88 |
max_lines=30
|
| 89 |
)
|
| 90 |
download_output = gr.File(
|
| 91 |
+
label="⬇️ دانلود خروجی به صورت txt"
|
| 92 |
)
|
| 93 |
|
| 94 |
+
# اتصال دکمه
|
| 95 |
extract_btn.click(
|
| 96 |
fn=extract_text_from_pdf,
|
| 97 |
inputs=pdf_input,
|