z230

MakeSmallerPDF/991 test oCR.py

@@ -0,0 +1,67 @@
+import fitz  # PyMuPDF
+import pytesseract
+from PIL import Image
+import os
+import re
+
+# --- NASTAVENÍ ---
+PATH_TO_TESSERACT = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
+INPUT_FILE = r'u:\Dropbox\Ordinace\Dokumentace_ke_zpracování\AdobeMakeSmaller\9b79f621-30ad-4468-85fe-6f2fd76289ce.pdf'
+
+# Nastavíme Tesseract
+pytesseract.pytesseract.tesseract_cmd = PATH_TO_TESSERACT
+
+
+def debug_ocr_output():
+    if not os.path.exists(INPUT_FILE):
+        print(f"Soubor nenalezen: {INPUT_FILE}")
+        return
+
+    print(f"ANALÝZA SOUBORU: {os.path.basename(INPUT_FILE)}")
+    doc = fitz.open(INPUT_FILE)
+
+    # Projdeme první stranu (RČ bývá tam)
+    for i, page in enumerate(doc):
+        if i > 0: break  # Stačí nám 1. strana pro test
+
+        print(f"\n--- STRANA {i + 1} (300 DPI) ---")
+
+        # 1. Renderování ve vysoké kvalitě (stejně jako v 'Ultimate' skriptu)
+        # Pokud je sken nekvalitní, Tesseract potřebuje velké rozlišení
+        zoom = 300 / 72
+        matrix = fitz.Matrix(zoom, zoom)
+        pix = page.get_pixmap(matrix=matrix, colorspace=fitz.csGRAY)
+        img = Image.frombytes("L", [pix.width, pix.height], pix.samples)
+
+        # 2. OCR - Získání surového textu
+        # config='--psm 3' je standardní automatická segmentace stránky
+        raw_text = pytesseract.image_to_string(img, lang='ces', config='--psm 3')
+
+        print(">>> SUROVÝ TEXT Z TESSERACTU (ZAČÁTEK) <<<")
+        print("-" * 50)
+        print(raw_text)
+        print("-" * 50)
+        print(">>> SUROVÝ TEXT Z TESSERACTU (KONEC) <<<")
+
+        # 3. Test Regexu na tomto textu
+        print("\n--- TEST HLEDÁNÍ RČ ---")
+
+        # Standardní Regex
+        strict_pattern = r'\b\d{6}\s*[\/]?\s*\d{3,4}\b'
+        strict_matches = re.findall(strict_pattern, raw_text)
+        print(f"Přísný filtr (očekává jen čísla): {strict_matches}")
+
+        # Volnější Regex (hledá i chyby OCR jako 'O' místo '0' nebo 'l' místo '1')
+        # \d -> číslice
+        # [O0] -> nula nebo O
+        # [lI1] -> jednička, malé L nebo velké i
+        loose_pattern = r'\b[0-9O]{6}\s*[\/ilI1]?\s*[0-9O]{3,4}\b'
+        loose_matches = re.findall(loose_pattern, raw_text)
+
+        if loose_matches and not strict_matches:
+            print(f"⚠️ POZOR: Našel jsem RČ jen pomocí volného filtru (obsahuje překlepy OCR): {loose_matches}")
+            print("   -> Bude potřeba upravit čistící funkci.")
+
+
+if __name__ == "__main__":
+    debug_ocr_output()