File size: 988 Bytes
1b64148
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
from services.ocr import ocr_image_path
from services.pdf_utils import extract_pdf_text


class TesseractExtractor:
    """Extracao local de texto.



    PDF: usa a camada de texto quando existe (instantaneo, via PyMuPDF) e so

    cai para OCR (Tesseract) nas paginas que forem escaneadas.

    Imagem (JPG/PNG): vai direto para OCR.



    Retorna o texto cru, sem nenhum tratamento, como voce pediu.

    """

    def __init__(self, lang: str = "por", dpi: int = 300, min_chars_per_page: int = 20):
        self._lang = lang
        self._dpi = dpi
        self._min_chars = min_chars_per_page

    def extract(self, path: str, kind: str) -> str:
        if kind == "pdf":
            return extract_pdf_text(
                path, dpi=self._dpi, min_chars_per_page=self._min_chars, lang=self._lang
            )
        if kind == "image":
            return ocr_image_path(path, lang=self._lang).strip()
        raise ValueError(f"kind nao suportado: {kind!r}")