z230

MakeSmallerPDF/06 OCR Tesseract.py

@@ -0,0 +1,145 @@
+import fitz  # PyMuPDF
+import pytesseract
+from PIL import Image
+import io
+import os
+import re
+
+# --- NASTAVENÍ ---
+INPUT_FOLDER = r'u:\Dropbox\Ordinace\Dokumentace_ke_zpracování\AdobeMakeSmaller'
+OUTPUT_FOLDER = os.path.join(INPUT_FOLDER, '_HOTOVO_ULTIMATE')
+
+# Cesta k Tesseractu
+PATH_TO_TESSERACT = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
+
+# 1. Jak moc "ošklivý" (malý) má být viditelný obrázek?
+VISUAL_DPI = 150
+VISUAL_THRESHOLD = 150
+
+# 2. Jak kvalitní má být předloha pro čtení (OCR)?
+OCR_DPI = 300
+
+
+def setup_tesseract():
+    if not os.path.exists(PATH_TO_TESSERACT):
+        print(f"CHYBA: Tesseract nenalezen na: {PATH_TO_TESSERACT}")
+        return False
+    pytesseract.pytesseract.tesseract_cmd = PATH_TO_TESSERACT
+    return True
+
+
+def get_rc_from_text(text):
+    """Najde RČ v textu a vrátí ho bez lomítka."""
+    # Hledá formát: 6 čísel, volitelně lomítko/mezera, 3-4 čísla
+    matches = re.findall(r'\b(\d{6})\s*[\/]?\s*(\d{3,4})\b', text)
+    for head, tail in matches:
+        full_rc = f"{head}{tail}"
+        # Základní kontrola délky a čísel
+        if len(full_rc) in [9, 10] and full_rc.isdigit():
+            return full_rc
+    return None
+
+
+def process_ultimate_method():
+    if not setup_tesseract():
+        return
+
+    if not os.path.exists(OUTPUT_FOLDER):
+        os.makedirs(OUTPUT_FOLDER)
+
+    files = [f for f in os.listdir(INPUT_FOLDER) if f.lower().endswith('.pdf')]
+    print(f"Startuji 'ULTIMATE' zpracování {len(files)} souborů.")
+    print("-" * 70)
+
+    for filename in files:
+        input_path = os.path.join(INPUT_FOLDER, filename)
+
+        try:
+            print(f"Zpracovávám: {filename} ...")
+
+            doc_src = fitz.open(input_path)
+            final_doc = fitz.open()
+
+            detected_rc = None
+
+            for page_num, page in enumerate(doc_src):
+                # --- KROK A: OCR (Vysoká kvalita pro čtení) ---
+                # 1. Vyrenderujeme kvalitní obrázek pro Tesseract
+                mat_ocr = fitz.Matrix(OCR_DPI / 72, OCR_DPI / 72)
+                pix_ocr = page.get_pixmap(matrix=mat_ocr, colorspace=fitz.csGRAY)
+                img_ocr = Image.frombytes("L", [pix_ocr.width, pix_ocr.height], pix_ocr.samples)
+
+                # 2. Tesseract vytvoří PDF stránku (Text + Velký obrázek)
+                pdf_bytes = pytesseract.image_to_pdf_or_hocr(img_ocr, extension='pdf', lang='ces')
+
+                # 3. Otevřeme tuto stránku v paměti
+                ocr_page_doc = fitz.open("pdf", pdf_bytes)
+                ocr_page = ocr_page_doc[0]
+
+                # Přečteme text pro hledání RČ
+                if not detected_rc:
+                    text_content = ocr_page.get_text()
+                    detected_rc = get_rc_from_text(text_content)
+
+                # --- KROK B: Visual (Nízká kvalita pro oči/úsporu) ---
+                # 1. Vyrenderujeme malý obrázek
+                mat_vis = fitz.Matrix(VISUAL_DPI / 72, VISUAL_DPI / 72)
+                pix_vis = page.get_pixmap(matrix=mat_vis, colorspace=fitz.csGRAY)
+                img_vis = Image.frombytes("L", [pix_vis.width, pix_vis.height], pix_vis.samples)
+
+                # 2. Binarizace (Threshold)
+                img_vis_bw = img_vis.point(lambda x: 255 if x > VISUAL_THRESHOLD else 0, mode='1')
+
+                # 3. Uložíme do bufferu
+                buffer_vis = io.BytesIO()
+                img_vis_bw.save(buffer_vis, format="PNG", optimize=True)
+
+                # --- KROK C: Výměna (The Switch) ---
+                # 1. Smažeme velký obrázek z Tesseract stránky (text zůstane)
+                images = ocr_page.get_images()
+                if images:
+                    xref = images[0][0]
+                    ocr_page.delete_image(xref)
+
+                    # 2. Vložíme náš malý obrázek
+                # Použijeme rect (rozměry) stránky, aby obrázek seděl přesně na celou stranu
+                ocr_page.insert_image(ocr_page.rect, stream=buffer_vis.getvalue(), keep_proportion=True)
+
+                # 3. Vložíme upravenou stránku do finálního PDF
+                final_doc.insert_pdf(ocr_page_doc)
+
+            # --- KROK D: Uložení ---
+            if detected_rc:
+                new_filename = f"{detected_rc}.pdf"
+                print(f"   -> Nalezeno RČ: {detected_rc}")
+            else:
+                new_filename = f"{os.path.splitext(filename)[0]}_ocr.pdf"
+                print(f"   -> RČ nenalezeno.")
+
+            # Řešení duplicit (pokud soubor už existuje)
+            counter = 1
+            base_name_check = os.path.splitext(new_filename)[0]
+            while os.path.exists(os.path.join(OUTPUT_FOLDER, new_filename)):
+                new_filename = f"{base_name_check}_{counter}.pdf"
+                counter += 1
+
+            output_path = os.path.join(OUTPUT_FOLDER, new_filename)
+
+            # Uložení s kompresí
+            final_doc.save(output_path, garbage=4, deflate=True)
+            final_doc.close()
+            doc_src.close()
+
+            # Výpis velikosti
+            size_kb = os.path.getsize(output_path) / 1024
+            print(f"   -> Uloženo: {new_filename} ({size_kb:.1f} kB)")
+            print("-" * 40)
+
+        except Exception as e:
+            print(f"CHYBA u {filename}: {e}")
+
+    print("\nHOTOVO.")
+
+
+if __name__ == "__main__":
+    process_ultimate_method()