#!/usr/bin/env python3 """OCR сканированного PDF через Tesseract.""" from __future__ import annotations import argparse import shutil import sys from pathlib import Path import pytesseract from PIL import Image try: import pymupdf as fitz except ImportError: import fitz def parse_pages(spec: str, total: int) -> list[int]: pages: set[int] = set() for part in spec.split(","): part = part.strip() if not part: continue if "-" in part: left, right = part.split("-", 1) start = int(left) if left.strip() else 1 end = int(right) if right.strip() else total pages.update(range(start, end + 1)) else: pages.add(int(part)) return sorted(page for page in pages if 1 <= page <= total) def main() -> int: parser = argparse.ArgumentParser(description="Распознать текст в PDF") parser.add_argument("input", type=Path, help="Исходный PDF") parser.add_argument("--lang", default="eng", help="Языки Tesseract, например eng+rus") parser.add_argument("--dpi", type=int, default=300, help="Разрешение рендеринга") parser.add_argument("--pages", help="Страницы, например 1-5") parser.add_argument("--password", help="Пароль PDF") parser.add_argument("--per-page", action="store_true", help="Сохранять текст отдельно по страницам") parser.add_argument("--outdir", type=Path, default=Path("ocr"), help="Папка результатов") parser.add_argument("--force", action="store_true", help="Перезаписать результаты") args = parser.parse_args() path = args.input.expanduser() if not path.is_file(): print(f"Файл не найден: {path}", file=sys.stderr) return 2 if shutil.which("tesseract") is None: print("Tesseract не найден в PATH", file=sys.stderr) return 2 outdir = args.outdir.expanduser() combined = outdir / f"{path.stem}_ocr.txt" if not args.per_page and combined.exists() and not args.force: print(f"Файл уже существует: {combined}. Добавьте --force.", file=sys.stderr) return 2 try: document = fitz.open(str(path)) except Exception as error: print(f"Не удалось открыть PDF: {error}", file=sys.stderr) return 1 parts: list[str] = [] saved = 0 try: if document.needs_pass and not document.authenticate(args.password or ""): print("Неверный пароль или защита не поддерживается", file=sys.stderr) return 2 total = document.page_count selected = parse_pages(args.pages, total) if args.pages else list(range(1, total + 1)) outdir.mkdir(parents=True, exist_ok=True) for number in selected: page = document.load_page(number - 1) pixmap = page.get_pixmap(dpi=args.dpi, alpha=False) image = Image.frombytes("RGB", (pixmap.width, pixmap.height), pixmap.samples) try: text = pytesseract.image_to_string(image, lang=args.lang) except pytesseract.TesseractError as error: print(f"Страница {number}: ошибка OCR: {error}", file=sys.stderr) continue text = text.strip() if args.per_page: target = outdir / f"{path.stem}_{number:03d}.txt" if target.exists() and not args.force: print(f"Пропуск, уже существует: {target}") continue target.write_text(text + "\n", encoding="utf-8") parts.append(f"===== Страница {number} =====\n{text}") saved += 1 print(f"Распознано: страница {number}, символов {len(text)}") finally: document.close() if not args.per_page: combined.write_text("\n\n".join(parts) + "\n", encoding="utf-8") print(f"Готово: {combined}") print(f"Страниц распознано: {saved}") return 0 if saved else 1 if __name__ == "__main__": raise SystemExit(main())