Spaces:
Build error
Build error
File size: 3,124 Bytes
1b10823 30cca7c 1b10823 30cca7c d473fc1 1b10823 d473fc1 30cca7c d473fc1 30cca7c d473fc1 30cca7c 7666f21 30cca7c 271e5ba 30cca7c 7666f21 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 |
import gradio as gr
import subprocess
import logging
from PyPDF2 import PdfReader
import tempfile
import os
import shlex # Importa para manejar nombres de archivo con espacios
# Configuración de logs
logger = logging.getLogger(__name__)
logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s")
def ejecutar_comando(comando):
"""Ejecuta un comando de shell y maneja errores."""
try:
resultado = subprocess.run(comando, shell=True, check=True, capture_output=True, text=True)
logger.info(f"Comando ejecutado: {comando}\nSalida:\n{resultado.stdout}")
return resultado.stdout
except subprocess.CalledProcessError as e:
error_message = f"Error al ejecutar el comando: {comando}\nError: {e}\nSalida de error:\n{e.stderr}"
logger.error(error_message)
raise RuntimeError(error_message)
def crear_pdf_con_texto_incrustado(pdf_original, archivo_salida, idioma="spa"):
"""Procesa un PDF con OCR usando OCRmyPDF."""
try:
# Usa shlex.quote para manejar espacios en los nombres de archivo
comando = f"ocrmypdf -l {idioma} --force-ocr --deskew --clean --output-type pdf {shlex.quote(pdf_original)} {shlex.quote(archivo_salida)}"
ejecutar_comando(comando)
except RuntimeError as e:
raise gr.Error(str(e)) # Mostrar el error en la interfaz de Gradio
def leer_pdf(pdf_path):
"""Extrae texto de un archivo PDF."""
try:
reader = PdfReader(pdf_path)
texto = ""
for pagina in reader.pages:
texto += pagina.extract_text() + "\n"
return texto.strip() or "No se pudo extraer texto del PDF."
except Exception as e:
return f"Error al leer el PDF: {e}"
def flujo_principal(pdf_file, idioma="spa"):
"""Procesa un PDF subido, realiza OCR y extrae texto."""
if not pdf_file:
raise gr.Error("No se subió ningún archivo.")
# Guardar el archivo subido en el directorio /tmp
temp_dir = tempfile.mkdtemp()
input_pdf_path = os.path.join(temp_dir, pdf_file.name)
# Usar pdf_file.name para acceder al contenido del archivo
with open(input_pdf_path, "wb") as f:
f.write(open(pdf_file.name, "rb").read())
# Interfaz Gradio
with gr.Blocks() as interfaz:
gr.Markdown("## Procesador OCR para PDFs")
with gr.Row():
archivo_pdf = gr.File(label="Sube tu archivo PDF")
idioma_ocr = gr.Dropdown(["spa", "eng", "fra", "deu"], label="Idioma OCR", value="spa")
boton_procesar = gr.Button("Procesar OCR")
with gr.Row():
texto_original = gr.Textbox(label="Texto Original", lines=10, interactive=False)
texto_ocr = gr.Textbox(label="Texto con OCR", lines=10, interactive=False)
with gr.Row():
pdf_original_vista = gr.File(label="Descargar PDF Original", interactive=False)
pdf_ocr_vista = gr.File(label="Descargar PDF con OCR", interactive=False)
boton_procesar.click(
fn=flujo_principal,
inputs=[archivo_pdf, idioma_ocr],
outputs=[pdf_original_vista, texto_original, pdf_ocr_vista, texto_ocr]
)
interfaz.launch() |