ocr-stream 1.1__tar.gz → 1.3__tar.gz

ocr_stream-1.3/PKG-INFO

@@ -0,0 +1,50 @@
+Metadata-Version: 2.4
+Name: ocr_stream
+Version: 1.3
+Summary: Extrair textos de documentos digitalizados e imagens.
+Author: Bruno Chaves
+Requires-Python: >=3.11
+Description-Content-Type: text/markdown
+Requires-Dist: PyPDF2
+Requires-Dist: PyMuPDF
+Requires-Dist: reportlab
+Requires-Dist: openpyxl
+Requires-Dist: pandas
+Requires-Dist: Pillow>=11.3.0
+Requires-Dist: opencv-python
+Requires-Dist: convert_stream
+Requires-Dist: soup_files
+
+# ocrlib
+
+# Uso simples
+
+
+from ocr_stream import File, TextRecognized, RecognizeImage, RecognizePdf
+
+# passo 1:
+#   instânciar o objeto para reconhecer texto, utilizando o caminho do tesseract
+
+tess: File = File('/usr/bin/tesseract') # Substitua pelo tesseract do seu sistema
+ocr = RecognizeImage.create(path_tesseract=tess)
+
+# passo 2:
+#   instânciar um arquivo de imagem para extrair o texto.
+image: File = File('path/to/file.png')
+
+# passo 3:
+#   extrair o texto
+text: str = ocr.image_to_string(image)
+print(text)
+
+# passo 4 opcional:
+#   você pode salvar um arquivo PDF com o texto extraido
+output_file: File = File('path/to/save.pdf')
+recognized: TextRecognized = ocr.image_recognize(image)
+recognized.to_document().to_file_pdf(output_file)
+
+# passo 5 opcional:
+#   você pode salvar uma planilha com o texto da imagem
+output_excel: File = File('path/to/file.xlsx')
+recognized: TextRecognized = ocr.image_recognize(image)
+recognized.to_document().to_excel(output_excel)

ocr_stream-1.3/README.md

@@ -0,0 +1,33 @@
+# ocrlib
+
+# Uso simples
+
+
+from ocr_stream import File, TextRecognized, RecognizeImage, RecognizePdf
+
+# passo 1:
+#   instânciar o objeto para reconhecer texto, utilizando o caminho do tesseract
+
+tess: File = File('/usr/bin/tesseract') # Substitua pelo tesseract do seu sistema
+ocr = RecognizeImage.create(path_tesseract=tess)
+
+# passo 2:
+#   instânciar um arquivo de imagem para extrair o texto.
+image: File = File('path/to/file.png')
+
+# passo 3:
+#   extrair o texto
+text: str = ocr.image_to_string(image)
+print(text)
+
+# passo 4 opcional:
+#   você pode salvar um arquivo PDF com o texto extraido
+output_file: File = File('path/to/save.pdf')
+recognized: TextRecognized = ocr.image_recognize(image)
+recognized.to_document().to_file_pdf(output_file)
+
+# passo 5 opcional:
+#   você pode salvar uma planilha com o texto da imagem
+output_excel: File = File('path/to/file.xlsx')
+recognized: TextRecognized = ocr.image_recognize(image)
+recognized.to_document().to_excel(output_excel)

{ocr_stream-1.1 → ocr_stream-1.3}/ocr_stream/__init__.py

@@ -1,10 +1,8 @@
 #!/usr/bin/env python3
 
-from .models.m_modules_ocr import (
-    LibraryOCR,
-)
-
+from .models.m_modules_ocr import LibraryOCR
 from .modules_ocr import TextRecognized
+from .utils import File, Directory, InputFiles, UserFileSystem
 from .extractors import RecognizeImage, RecognizePdf
 from ._version import __version__, __modify_data__
 

{ocr_stream-1.1 → ocr_stream-1.3}/ocr_stream/__main__.py

@@ -5,8 +5,7 @@
     Configuração instalação:
 ------------------------------------------------------------
  $ pip3 install -r requirements.txt
- $ pip3 install https://gitlab.com/bschaves/pdflib/-/archive/V1.0/pdflib-V1.0.zip
-
+ 
 ------------------------------------------------------------
     Referências:
 ------------------------------------------------------------
@@ -22,6 +21,7 @@ https://github.com/h/pytesseract
 pyocr
 https://gitlab.gnome.org/World/OpenPaperwork/pyocr
 """
+
 import sys, os
 this_file = os.path.abspath(os.path.relpath(__file__))
 dir_of_project = os.path.dirname(this_file)
@@ -30,14 +30,17 @@ sys.path.insert(0, dir_of_project)
 from convert_stream import print_title
 from ocr_stream import __version__, __modify_data__
 
+
 def test():
     # /usr/bin/tesseract
     # /usr/share/tesseract-ocr/5/tessdata
     pass
     
+    
 def main():
     print_title(f' ocrlib Versão: {__version__} | Atualização: {__modify_data__} ')
     test()
 
+
 if __name__ == '__main__':
     main()

ocr_stream-1.3/ocr_stream/_version.py

@@ -0,0 +1,5 @@
+#!/usr/bin/env python3
+#
+
+__version__ = '1.3'
+__modify_data__ = '2025-07-06'

ocr_stream-1.3/ocr_stream/extractors.py

@@ -0,0 +1,127 @@
+#!/usr/bin/env python3
+from __future__ import annotations
+from typing import List
+from ocr_stream.utils import (
+    File, Directory, ImageObject,
+    DataFrame, PageDocumentPdf,
+    DocumentPdf, PdfStream, LibraryPDF,
+)
+from ocr_stream.models import LibraryOCR
+from ocr_stream.modules_ocr import ModuleOcr, TextRecognized, BinaryTesseract
+from convert_stream import LibImageToPDF, ConvertPdfToImage, CreatePbar
+from soup_files import ProgressBarAdapter
+
+
+class RecognizeImage(object):
+    """
+        Reconhecer textos em imagens com pytesseract|pyocr usando o tesseract
+    """
+
+    def __init__(self, module_ocr):
+        super().__init__()
+        self.module_ocr: ModuleOcr = module_ocr
+
+    def image_content_data(self, img: ImageObject | File) -> DataFrame:
+        """
+        Retorna uma tabela estruturada com os dados reconhecidos da imagem.
+
+        Este método extrai as informações contidas em uma imagem e as organiza em
+        um DataFrame com colunas como o texto detectado, coordenadas da caixa delimitadora,
+        nível do OCR e confiabilidade, entre outras.
+
+        Parâmetros:
+        img (ImageObject | File): A imagem a ser processada, podendo ser um objeto
+        `ImageObject` ou um arquivo `File`.
+
+        Retorna:
+        DataFrame: Uma tabela contendo os dados reconhecidos na imagem.
+
+        Lança:
+        ValueError: Se o tipo do parâmetro `img` não for `ImageObject` ou `File`.
+
+        @param img: Imagem a ser processada, podendo ser uma instância de `ImageObject`
+            ou um arquivo `File`.
+        @type img: ImageObject | File
+
+        @rtype: pandas.DataFrame
+        @return: Um DataFrame com os dados reconhecidos na imagem.
+
+        @raise ValueError: Caso o tipo de `img` não seja `ImageObject` nem `File`.
+        """
+        if isinstance(img, File):
+            return self.module_ocr.image_content_data(ImageObject.create_from_file(img))
+        elif isinstance(img, ImageObject):
+            return self.module_ocr.image_content_data(img)
+        else:
+            raise ValueError(f'{__class__.__name__}\nUse: ImageObject() ou File(), não {type(img)}')
+
+    def image_recognize(self, img: ImageObject | File) -> TextRecognized:
+        if isinstance(img, File):
+            return self.module_ocr.image_recognize(ImageObject.create_from_file(img))
+        elif isinstance(img, ImageObject):
+            return self.module_ocr.image_recognize(img)
+        else:
+            raise ValueError(f'{__class__.__name__}\nUse: ImageObject() ou File(), não {type(img)}')
+
+    def image_to_string(self, img: ImageObject | File) -> str:
+        if isinstance(img, File):
+            return self.module_ocr.imag_to_string(ImageObject.create_from_file(img))
+        elif isinstance(img, ImageObject):
+            return self.module_ocr.imag_to_string(img)
+        else:
+            raise ValueError(f'{__class__.__name__}\nUse: ImageObject() ou File(), não {type(img)}')
+
+    @classmethod
+    def create(
+            cls,
+            library_ocr: LibraryOCR = LibraryOCR.PYTESSERACT,
+            *,
+            binary_tess: BinaryTesseract = BinaryTesseract(),
+    ) -> RecognizeImage:
+        #
+        module_ocr = ModuleOcr.create(library_ocr, binary_tess=binary_tess)
+        return cls(module_ocr)
+
+
+class RecognizePdf(object):
+    def __init__(
+                self,
+                recognize_image: RecognizeImage, *,
+                pbar: ProgressBarAdapter = CreatePbar().get()
+            ):
+        self.recognize_image: RecognizeImage = recognize_image
+        self.pdf_to_image: ConvertPdfToImage = ConvertPdfToImage.create()
+        self.pbar: ProgressBarAdapter = pbar
+
+    def recognize_page_pdf(self, page: PageDocumentPdf) -> PageDocumentPdf:
+        """
+            Converte a página em Imagem, reconhece o texto com OCR e
+        retorna uma nova página com o texto reconhecido.
+        """
+        img: ImageObject = self.pdf_to_image.from_page_pdf(page)
+        text_recognized: TextRecognized = self.recognize_image.image_recognize(img)
+        return text_recognized.to_page_pdf()
+
+    def recognize_document(self, doc: DocumentPdf) -> DocumentPdf:
+        new_pages: List[PageDocumentPdf] = []
+
+        for n, page in enumerate(doc.get_pages()):
+            self.pbar.update(
+                ((n+1)/doc.get_num_pages()) * 100,
+                f'Reconhecendo página PDF [{n+1} de {doc.get_num_pages()}]',
+            )
+            recognized_page: PageDocumentPdf = self.recognize_page_pdf(page)
+            new_pages.append(recognized_page)
+        return DocumentPdf(pages=new_pages)
+
+    @classmethod
+    def create(
+            cls,
+            library_ocr=LibraryOCR.PYTESSERACT,
+            *,
+            binary_tess: BinaryTesseract = BinaryTesseract(),
+            pbar: ProgressBarAdapter = CreatePbar().get(),
+    ) -> RecognizePdf:
+        #
+        recognize_image = RecognizeImage.create(library_ocr, binary_tess=binary_tess)
+        return cls(recognize_image, pbar=pbar)

{ocr_stream-1.1 → ocr_stream-1.3}/ocr_stream/models/__init__.py

@@ -1,3 +1,2 @@
 #!/usr/bin/env python3
 from .m_modules_ocr import LibraryOCR, ABCTextRecognized, ABCModuleOcr
-from .m_extractors import ABCRecognizeImage

ocr_stream-1.3/ocr_stream/models/m_extractors.py

@@ -0,0 +1,2 @@
+#!/usr/bin/env python3
+

{ocr_stream-1.1 → ocr_stream-1.3}/ocr_stream/models/m_modules_ocr.py

@@ -8,71 +8,61 @@ from pandas import DataFrame
 from soup_files import File, Directory
 from convert_stream import ImageObject, DocumentPdf, PageDocumentPdf, LibraryImage
 
+
 class LibraryOCR(Enum):
     PYTESSERACT = 'pytesseract'
     PYOCR = 'pyocr'
-    
-    
+
+
 class ABCTextRecognized(ABC):
-    def __init__(self, bytes_recognized:bytes):
+    def __init__(self, bytes_recognized: bytes):
         super().__init__()
-        self.bytes_recognized:bytes = bytes_recognized
-        
+        self.bytes_recognized: bytes = bytes_recognized
+
     @abstractmethod
     def to_string(self) -> str:
         pass
-    
+
     @abstractmethod
     def to_page_pdf(self) -> PageDocumentPdf:
         pass
-    
+
     @abstractmethod
     def to_document(self) -> DocumentPdf:
         pass
-    
+
     @abstractmethod
-    def to_dataframe(self, column:str='TEXT') -> DataFrame:
+    def to_dataframe(self, separator: str = '\n', column_text: str = 'TEXT') -> DataFrame:
         pass
-    
+
     @abstractmethod
-    def to_dict(self) -> Dict[str, List[str]]:
+    def to_dict(self, separator: str = '\n', column_text: str = 'TEXT') -> Dict[str, List[str]]:
         pass
-  
+
+
 #======================================================================#
 # Abstração para o módulo que extrai o texto das imagens (OCR)
 # pode ser implementado com pytesseract ou outros.
 #======================================================================#
+
+
 class ABCModuleOcr(ABC):
-    def __init__(self, *, cmd_executable:File, lang:str=None, tess_data_dir:Directory=None):
-        self.cmd_executable:File = cmd_executable
-        self.lang:str = lang
-        self.tess_data_dir:Directory = tess_data_dir
-        self.current_library_ocr:LibraryOCR = None
-    
+
+    def __init__(self, *, cmd_executable: File, lang: str = None, tess_data_dir: Directory = None):
+        self.cmd_executable: File = cmd_executable
+        self.lang: str = lang
+        self.tess_data_dir: Directory = tess_data_dir
+        self.current_library_ocr: LibraryOCR = None
+
     @abstractmethod
-    def image_recognize(self, img:ImageObject) -> ABCTextRecognized:
+    def image_recognize(self, img: ImageObject) -> ABCTextRecognized:
         pass
-    
+
     @abstractmethod
     def image_content_data(self, img: ImageObject) -> DataFrame:
         pass
-    
+
     @abstractmethod
-    def imag_to_string(self, img:ImageObject) -> str:
-        pass
-    
-    @classmethod
-    def create(
-                cls, 
-                library_ocr:LibraryOCR=LibraryOCR.PYTESSERACT,
-                *,
-                path_tesseract:File,
-                lang:str=None,
-                tess_data_dir:Directory=None,
-            ) -> ABCModuleOcr:
+    def imag_to_string(self, img: ImageObject) -> str:
         pass
-    
-    
-  
 
-