app.py

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()