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}")
