Spaces:
Sleeping
Sleeping
Update app.py
Browse files
app.py
CHANGED
|
@@ -1,9 +1,8 @@
|
|
| 1 |
import gradio as gr
|
| 2 |
-
import
|
| 3 |
import arabic_reshaper
|
| 4 |
from bidi.algorithm import get_display
|
| 5 |
-
|
| 6 |
-
import os
|
| 7 |
|
| 8 |
def extract_text_from_pdf(pdf_file):
|
| 9 |
"""
|
|
@@ -14,8 +13,7 @@ def extract_text_from_pdf(pdf_file):
|
|
| 14 |
|
| 15 |
try:
|
| 16 |
# باز کردن فایل PDF
|
| 17 |
-
pdf_document =
|
| 18 |
-
|
| 19 |
all_text = []
|
| 20 |
|
| 21 |
# استخراج متن از تمام صفحات
|
|
@@ -24,23 +22,20 @@ def extract_text_from_pdf(pdf_file):
|
|
| 24 |
text = page.get_text()
|
| 25 |
|
| 26 |
# پردازش متن برای نمایش صحیح فارسی/عربی
|
| 27 |
-
# اگر متن حاوی کاراکترهای فارسی یا عربی است
|
| 28 |
if any('\u0600' <= char <= '\u06FF' or '\u0750' <= char <= '\u077F' for char in text):
|
| 29 |
-
# تغییر شکل حروف عربی/فارسی
|
| 30 |
reshaped_text = arabic_reshaper.reshape(text)
|
| 31 |
-
# تنظیم جهت متن
|
| 32 |
bidi_text = get_display(reshaped_text)
|
| 33 |
text = bidi_text
|
| 34 |
|
| 35 |
all_text.append(f"--- صفحه {page_num + 1} ---\n{text}\n")
|
| 36 |
|
| 37 |
pdf_document.close()
|
| 38 |
-
|
| 39 |
return "\n".join(all_text)
|
| 40 |
|
| 41 |
except Exception as e:
|
| 42 |
return f"خطا در پردازش فایل: {str(e)}"
|
| 43 |
|
|
|
|
| 44 |
def create_interface():
|
| 45 |
"""
|
| 46 |
ایجاد رابط کاربری Gradio
|
|
@@ -86,8 +81,7 @@ def create_interface():
|
|
| 86 |
label="متن استخراج شده",
|
| 87 |
placeholder="متن استخراج شده در اینجا نمایش داده میشود...",
|
| 88 |
lines=20,
|
| 89 |
-
max_lines=30
|
| 90 |
-
rtl=True # برای نمایش بهتر متون راست به چپ
|
| 91 |
)
|
| 92 |
|
| 93 |
# اتصال تابع به دکمه
|
|
@@ -96,18 +90,10 @@ def create_interface():
|
|
| 96 |
inputs=pdf_input,
|
| 97 |
outputs=text_output
|
| 98 |
)
|
| 99 |
-
|
| 100 |
-
# مثال
|
| 101 |
-
gr.Examples(
|
| 102 |
-
examples=[],
|
| 103 |
-
inputs=pdf_input,
|
| 104 |
-
outputs=text_output,
|
| 105 |
-
fn=extract_text_from_pdf
|
| 106 |
-
)
|
| 107 |
|
| 108 |
return interface
|
| 109 |
|
| 110 |
-
|
| 111 |
if __name__ == "__main__":
|
| 112 |
interface = create_interface()
|
| 113 |
-
interface.launch()
|
|
|
|
| 1 |
import gradio as gr
|
| 2 |
+
import fitz # همان PyMuPDF
|
| 3 |
import arabic_reshaper
|
| 4 |
from bidi.algorithm import get_display
|
| 5 |
+
|
|
|
|
| 6 |
|
| 7 |
def extract_text_from_pdf(pdf_file):
|
| 8 |
"""
|
|
|
|
| 13 |
|
| 14 |
try:
|
| 15 |
# باز کردن فایل PDF
|
| 16 |
+
pdf_document = fitz.open(pdf_file)
|
|
|
|
| 17 |
all_text = []
|
| 18 |
|
| 19 |
# استخراج متن از تمام صفحات
|
|
|
|
| 22 |
text = page.get_text()
|
| 23 |
|
| 24 |
# پردازش متن برای نمایش صحیح فارسی/عربی
|
|
|
|
| 25 |
if any('\u0600' <= char <= '\u06FF' or '\u0750' <= char <= '\u077F' for char in text):
|
|
|
|
| 26 |
reshaped_text = arabic_reshaper.reshape(text)
|
|
|
|
| 27 |
bidi_text = get_display(reshaped_text)
|
| 28 |
text = bidi_text
|
| 29 |
|
| 30 |
all_text.append(f"--- صفحه {page_num + 1} ---\n{text}\n")
|
| 31 |
|
| 32 |
pdf_document.close()
|
|
|
|
| 33 |
return "\n".join(all_text)
|
| 34 |
|
| 35 |
except Exception as e:
|
| 36 |
return f"خطا در پردازش فایل: {str(e)}"
|
| 37 |
|
| 38 |
+
|
| 39 |
def create_interface():
|
| 40 |
"""
|
| 41 |
ایجاد رابط کاربری Gradio
|
|
|
|
| 81 |
label="متن استخراج شده",
|
| 82 |
placeholder="متن استخراج شده در اینجا نمایش داده میشود...",
|
| 83 |
lines=20,
|
| 84 |
+
max_lines=30
|
|
|
|
| 85 |
)
|
| 86 |
|
| 87 |
# اتصال تابع به دکمه
|
|
|
|
| 90 |
inputs=pdf_input,
|
| 91 |
outputs=text_output
|
| 92 |
)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 93 |
|
| 94 |
return interface
|
| 95 |
|
| 96 |
+
|
| 97 |
if __name__ == "__main__":
|
| 98 |
interface = create_interface()
|
| 99 |
+
interface.launch()
|