OCR using automator

How to make it more efficient and better?

#!/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}")