Spaces:
Running
Running
| import fitz | |
| import pytesseract | |
| from PIL import Image | |
| from io import BytesIO | |
| import shutil | |
| # O path do tesseract será configurado dinamicamente dentro da função para evitar | |
| # problemas caso ele seja instalado enquanto o servidor já estiver rodando. | |
| def make_pdf_searchable(pdf_bytes: bytes, lang: str = "por") -> bytes: | |
| """ | |
| Recebe um PDF digitalizado, converte cada página em imagem, passa pelo Tesseract OCR | |
| para extrair o texto e gerar um novo PDF pesquisável (onde o texto fica invisível | |
| sobreposto à imagem perfeitamente). | |
| """ | |
| doc = fitz.open(stream=pdf_bytes, filetype="pdf") | |
| new_doc = fitz.open() | |
| import os | |
| if shutil.which("tesseract") is None: | |
| if os.path.exists(r"C:\Program Files\Tesseract-OCR\tesseract.exe"): | |
| pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files\Tesseract-OCR\tesseract.exe" | |
| elif os.path.exists(r"C:\Program Files (x86)\Tesseract-OCR\tesseract.exe"): | |
| pytesseract.pytesseract.tesseract_cmd = r"C:\Program Files (x86)\Tesseract-OCR\tesseract.exe" | |
| for page_num in range(len(doc)): | |
| page = doc[page_num] | |
| # Converte a página para imagem (resolução otimizada para evitar timeout em PDFs grandes) | |
| pix = page.get_pixmap(dpi=150, alpha=False) | |
| # Converte o Pixmap do PyMuPDF para PIL Image | |
| img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples) | |
| # Envia a imagem para o Tesseract, pedindo a saída diretamente como PDF pesquisável | |
| try: | |
| import os, platform | |
| # Configura para procurar os idiomas no diretório atual do backend apenas no Windows (local) | |
| if platform.system() == "Windows": | |
| os.environ["TESSDATA_PREFIX"] = os.path.dirname(__file__) | |
| pdf_page_bytes = pytesseract.image_to_pdf_or_hocr( | |
| img, | |
| extension='pdf', | |
| lang=lang | |
| ) | |
| # Abre o mini-PDF gerado pelo Tesseract | |
| page_doc = fitz.open(stream=pdf_page_bytes, filetype="pdf") | |
| # Adiciona a página ao nosso documento final | |
| new_doc.insert_pdf(page_doc) | |
| page_doc.close() | |
| # Libera memória no final do loop | |
| del pix, img, pdf_page_bytes | |
| except pytesseract.TesseractNotFoundError: | |
| raise Exception("Tesseract-OCR não encontrado. Por favor, instale o Tesseract no servidor.") | |
| except Exception as e: | |
| raise Exception(f"Erro no OCR da página {page_num + 1}: {str(e)}") | |
| doc.close() | |
| out = BytesIO() | |
| # Salva o novo PDF | |
| new_doc.save(out, garbage=4, deflate=True) | |
| new_doc.close() | |
| return out.getvalue() | |