File size: 3,503 Bytes
294c07a 238054e 294c07a b95deda 9f66a8c 294c07a 9f66a8c |
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 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 |
import gradio as gr
import PyPDF2
import docx
import os
from pathlib import Path
import pytesseract
from pdf2image import convert_from_path
from PIL import Image
import tempfile
def convert_to_txt(file):
# Kiểm tra xem file có được tải lên và là file hợp lệ không
if file is None or not hasattr(file, 'name'):
return "Vui lòng tải lên một file PDF, DOC hoặc DOCX hợp lệ."
# Lấy phần mở rộng file
file_ext = Path(file.name).suffix.lower()
output_txt = ""
try:
# Xử lý file PDF
if file_ext == ".pdf":
try:
# Thử trích xuất văn bản trực tiếp từ PDF
with open(file.name, "rb") as f:
pdf_reader = PyPDF2.PdfReader(f)
for page in pdf_reader.pages:
text = page.extract_text()
if text and text.strip(): # Kiểm tra xem có văn bản hợp lệ không
output_txt += text + "\n"
# Nếu không trích xuất được văn bản, dùng OCR
if not output_txt.strip():
# Chuyển PDF thành hình ảnh
images = convert_from_path(file.name)
for img in images:
text = pytesseract.image_to_string(img, lang='eng+vie') # Hỗ trợ tiếng Anh và tiếng Việt
output_txt += text + "\n"
except Exception as e:
# Nếu trích xuất văn bản thất bại, thử OCR
images = convert_from_path(file.name)
for img in images:
text = pytesseract.image_to_string(img, lang='eng+vie')
output_txt += text + "\n"
# Xử lý file DOC hoặc DOCX
elif file_ext in [".doc", ".docx"]:
doc = docx.Document(file.name)
for para in doc.paragraphs:
output_txt += para.text + "\n"
else:
return "Định dạng file không được hỗ trợ. Vui lòng tải lên file PDF, DOC hoặc DOCX."
# Tạo tên file đầu ra
output_filename = Path(file.name).stem + "_converted.txt"
# Lưu nội dung vào file TXT
with open(output_filename, "w", encoding="utf-8") as f:
f.write(output_txt)
return output_filename
except Exception as e:
return f"Đã xảy ra lỗi khi xử lý file: {str(e)}"
# Tạo thư mục tạm thời có quyền ghi
temp_dir = tempfile.gettempdir()
flagging_dir = os.path.join(temp_dir, "flagged")
# Tạo giao diện Gradio với cấu hình đơn giản
with gr.Blocks() as iface:
gr.Markdown("# Chuyển đổi PDF/DOC/DOCX sang TXT (Hỗ trợ OCR)")
gr.Markdown("Tải lên file PDF, DOC hoặc DOCX để chuyển đổi nội dung thành file TXT. Hỗ trợ OCR cho PDF dạng ảnh.")
file_input = gr.File(label="Tải lên file PDF, DOC hoặc DOCX", file_types=[".pdf", ".doc", ".docx"])
file_output = gr.File(label="Tải xuống file TXT")
submit_button = gr.Button("Chuyển đổi")
submit_button.click(
fn=convert_to_txt,
inputs=file_input,
outputs=file_output,
api_name="convert_to_txt"
)
# Khởi chạy ứng dụng
if __name__ == "__main__":
iface.launch() |