OCR using automator

Question

ofranyut OP

Created 1d

Replies 0

Boosts 0

Participants 1

OCR using automator How to make it more efficient and better? im using grok, to do it

#!/usr/bin/env python3

import os import sys import subprocess import glob import re import easyocr import cv2 import numpy as np

Verificar argumentos

if len(sys.argv) < 2: print("Uso: python3 ocr_global.py <ruta_del_pdf> [carpeta_de_salida]") sys.exit(1)

Obtener la ruta del PDF y la carpeta de salida

pdf_path = sys.argv[1] output_folder = sys.argv[2] if len(sys.argv) > 2 else os.path.dirname(pdf_path) basename = os.path.splitext(os.path.basename(pdf_path))[0] output_prefix = os.path.join(output_folder, f"{basename}_ocr")

Crear la carpeta de salida si no existe

os.makedirs(output_folder, exist_ok=True)

try: # Generar TIFFs *** pdftoppm, forzando numeración a 300 DPI result = subprocess.run( ["/usr/local/bin/pdftoppm", "-r", "300", "-tiff", "-forcenum", pdf_path, output_prefix], check=True, capture_output=True, text=True ) print("TIFFs generados:", result.stdout) if result.stderr: print("Advertencias/errores de pdftoppm:", result.stderr)

# Buscar todos los TIFFs generados dinámicamente (prueba .tif y .tiff)
tiff_pattern = f"{output_prefix}-*.tif"  # Prioriza .tif basado en tu ejemplo
tiff_files = glob.glob(tiff_pattern)
if not tiff_files:
    tiff_pattern = f"{output_prefix}-*.tiff"  # Intenta *** .tiff si no hay .tif
    tiff_files = glob.glob(tiff_pattern)
if not tiff_files:
    print("Archivos encontrados para depuración:", glob.glob(f"{output_prefix}*"))
    raise FileNotFoundError(f"No se encontraron TIFFs en {tiff_pattern}")

# Ordenar por número
tiff_files.sort(key=lambda x: int(re.search(r'-(\d+)', x).group(1)))

# Procesamiento de OCR *** EasyOCR para todos los TIFFs
reader = easyocr.Reader(['es'])  # 'es' para español, ajusta según idioma
ocr_output_text = os.path.join(output_folder, "out.text")
with open(ocr_output_text, 'a', encoding='utf-8') as f:
    f.write(f"\n=== Inicio de documento: {pdf_path} ===\n")
    for i, tiff_path in enumerate(tiff_files, 1):
        tiff_base = os.path.basename(tiff_path)
        print(f"--- Documento: {tiff_base} | Página: {i} ---")
        f.write(f"--- Documento: {tiff_base} | Página: {i} ---\n")
        # Leer y preprocesar la imagen
        img = cv2.imread(tiff_path, 0)
        if img is None:
            raise ValueError("No se pudo leer la imagen")
        _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
        # Extraer texto *** EasyOCR
        result = reader.readtext(thresh)
        ocr_text = " ".join([text for _, text, _ in result])  # Unir *** espacios
        print(ocr_text)
        f.write(ocr_text + "\n")
        print(f"--- Fin página {i} de {tiff_base} ---")
        f.write(f"--- Fin página {i} de {tiff_base} ---\n")
    f.write(f"=== Fin de documento: {pdf_path} ===\n")

# Borrar los TIFFs generados después de OCR
for tiff in tiff_files:
    os.remove(tiff)
print("TIFFs borrados después de OCR.")

except subprocess.CalledProcessError as e: print(f"Error al procesar el PDF: {e}") print("Salida de error:", e.stderr) except FileNotFoundError as e: print(f"Error: {e}") except Exception as e: print(f"Error inesperado: {e}")

Boost