File size: 974 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
29
30
31
32
33
import io

import fitz  # PyMuPDF
from PIL import Image

from services.ocr import ocr_image


def extract_pdf_text(

    path: str,

    dpi: int = 300,

    min_chars_per_page: int = 20,

    lang: str = "por",

) -> str:
    """Extrai texto de um PDF, pagina a pagina.



    Se a pagina ja tem camada de texto, usa-a direto (rapido e exato).

    Se for uma pagina escaneada (texto ausente ou irrisorio), rasteriza

    a pagina e roda OCR. Assim PDFs mistos tambem funcionam.

    """
    parts: list[str] = []
    with fitz.open(path) as doc:
        for page in doc:
            text = page.get_text("text").strip()
            if len(text) >= min_chars_per_page:
                parts.append(text)
            else:
                pix = page.get_pixmap(dpi=dpi)
                img = Image.open(io.BytesIO(pix.tobytes("png")))
                parts.append(ocr_image(img, lang=lang).strip())

    return "\n".join(p for p in parts if p).strip()