File size: 1,274 Bytes
0b83885 |
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 |
import gradio as gr
import pytesseract
from PIL import Image
import os
from pdf2image import convert_from_bytes
import io
# Configurar Tesseract para usar el modelo entrenado en Hugging Face Spaces
tessdata_dir = "/home/user/.apt/usr/share/tesseract-ocr/4.00/tessdata"
if os.path.exists(tessdata_dir):
pytesseract.pytesseract.tesseract_cmd = '/home/user/.apt/usr/bin/tesseract'
os.environ["TESSDATA_PREFIX"] = tessdata_dir
def perform_ocr(file):
if file is None:
return "Por favor, sube un archivo."
# Verificar si el archivo es un PDF
if file.name.lower().endswith('.pdf'):
# Convertir PDF a imágenes
images = convert_from_bytes(file.read())
text = ""
for image in images:
text += pytesseract.image_to_string(image) + "\n\n"
else:
# Procesar como imagen
image = Image.open(file)
text = pytesseract.image_to_string(image)
return text
# Crear la interfaz de Gradio
iface = gr.Interface(
fn=perform_ocr,
inputs=gr.File(label="Sube una imagen o PDF"),
outputs="text",
title="Tesseract OCR para Imágenes y PDFs",
description="Sube una imagen o un archivo PDF para extraer texto usando Tesseract OCR."
)
# Lanzar la interfaz
iface.launch() |