70 DěleníSouboruPDF

Účel

Dělení vícestránkového PDF (hromadný sken ze skeneru Ricoh Fi-8040) na jednotlivé skupiny pacientů. Každá skupina = jeden výstupní PDF pojmenovaný podle RČ a jména pacienta z Medicus.

Spuštění

python rozdelit_pdf.py [soubor.pdf]

Bez argumentu → file dialog (výchozí složka: Ricoh Fi-8040).
Pro vývoj: TESTOVANI = True + PATH_TO_TESTFILE na začátku skriptu.

Workflow

Vyber vstupní PDF
UI se otevře, thumbnaily se renderují na pozadí
OCR běží na pozadí (Tesseract → Claude Vision fallback)
Jména a RČ se doplňují průběžně pod každou stránkou
Po dokončení OCR se auto-detekují hranice pacientů (červené čáry)
Ručně uprav hranice, přesuň nebo smaž stránky, otočte je
Enter → export do Split/

Klávesnice (numerická)

Klávesa	Akce
`4` / `6`	navigace ←/→
`7` / `9`	skok o 4 stránky
`5` / `Space`	přepni hranici pacienta před touto stránkou
`1` / `3`	přesuň stránku doleva / doprava
`/`	otočit CCW (counterclockwise)
`*`	otočit CW (clockwise)
`Del` / `.`	smaž stránku (vynech z exportu)
`Enter`	exportuj všechny skupiny
`Esc`	konec

Funguje s NumLock ON i OFF — detekce přes keycode (97–111), ne keysym.

OCR pipeline

Tesseract (C:\Program Files\Tesseract-OCR\tesseract.exe, lang=ces, 144 DPI)
Regex — hledá RČ ve formátu XXXXXX/XXXX, nebo 9–10 číslic za klíčovým slovem (CP, RC, ID…), nebo plain 9–10 číslic s validací (měsíc, den)
Medicus Firebird — lookup přes fdb, tabulka KAR, pole RODCIS
Fuzzy matching — 1. úroveň: záměna podobných číslic (0↔8, 1↔7, 5↔6, 6↔1, …) + vynechání/přidání číslice; 2. úroveň: kombinace dvou chyb, filtrováno checksumem /11
Claude Vision fallback — volá se když Tesseract nenašel RČ, nebo když Tesseract našel RČ ale Medicus říká not_found

Cache

OCR výsledky se ukládají do {pdf_stem}_ocr_cache.json vedle vstupního PDF.
Obsahuje: rc, medicus, tesseract_text, claude_raw.
Druhé spuštění se stejným PDF je okamžité (cache se načte, OCR neběží).
Smazání cache = znovu spustí OCR.

Auto-detekce hranic

Hranice se nastaví jen tam, kde obě sousední stránky mají RČ potvrzené v Medicus (ok nebo fuzzy) a patří různým pacientům. Stránky s not_found nebo bez RČ hranici nevyvolají — brání falešným hranicím z misreadů.

Výstup

Složka: {Dropbox}/Ordinace/Dokumentace_ke_zpracování/Ricoh Fi-8040/Split/
Název souboru:

Pokud známo RČ: {RČ} {Příjmení}, {Jméno} split_{NNN}.pdf
Neznámý pacient: split_{NNN}.pdf

Závislosti

PyMuPDF (fitz) — rendering, manipulace PDF
pytesseract + Tesseract OCR — primární OCR
Pillow — rotace, thumbnail
fdb — Firebird / Medicus
anthropic — Claude Vision fallback
tkinter — UI (součást Pythonu)
Knihovny/najdi_medicus.py, Knihovny/najdi_dropbox.py

3.0 KiB Raw Permalink Blame History Unescape Escape