docx-spliter / app.py
lik07's picture
Update app.py
e639253 verified
raw
history blame
3.79 kB
import gradio as gr
from docx import Document
import os
import shutil
import zipfile
def split_by_headers(file_path, headers_per_chunk=1):
doc = Document(file_path)
chunks = []
current_chunk = Document()
header_count = 0
for paragraph in doc.paragraphs:
# Verificar si el párrafo es un encabezado
if paragraph.style.name.startswith('Heading'):
header_count += 1
if header_count > headers_per_chunk:
chunks.append(current_chunk)
current_chunk = Document()
header_count = 1
# Copiar el párrafo al chunk actual
current_chunk.add_paragraph(paragraph.text, style=paragraph.style.name)
if len(current_chunk.paragraphs):
chunks.append(current_chunk)
return chunks
def split_by_pages(file_path, pages_per_chunk=1):
doc = Document(file_path)
chunks = []
current_chunk = Document()
page_count = 0
estimated_chars_per_page = 3000 # Esta es una estimación
char_count = 0
for paragraph in doc.paragraphs:
text = paragraph.text
char_count += len(text)
if char_count >= estimated_chars_per_page:
page_count += 1
char_count = 0
if page_count >= pages_per_chunk:
chunks.append(current_chunk)
current_chunk = Document()
page_count = 0
current_chunk.add_paragraph(text, style=paragraph.style.name)
if len(current_chunk.paragraphs):
chunks.append(current_chunk)
return chunks
def save_chunks(chunks, original_filename):
saved_files = []
base_name = os.path.splitext(original_filename)[0]
for i, chunk in enumerate(chunks, 1):
output_path = f"{base_name}_part{i}.docx"
chunk.save(output_path)
saved_files.append(output_path)
return saved_files
def zip_files(files, zip_name="document_parts.zip"):
with zipfile.ZipFile(zip_name, 'w') as zipf:
for file in files:
zipf.write(file, os.path.basename(file))
return zip_name
def process_document(file, split_type, headers_or_pages, download_type):
if headers_or_pages < 1:
return "Por favor, especifique un número positivo de encabezados o páginas por fragmento."
try:
# Dividir el documento según el tipo seleccionado
if split_type == "Encabezados":
chunks = split_by_headers(file.name, headers_or_pages)
else: # Páginas
chunks = split_by_pages(file.name, headers_or_pages)
saved_files = save_chunks(chunks, os.path.basename(file.name))
# Si el usuario selecciona descargar en ZIP, comprimir los archivos
if download_type == "ZIP":
zip_path = zip_files(saved_files)
return zip_path # Devolver el archivo zip para descargar
else:
return saved_files # Devolver los archivos separados para descargar
except Exception as e:
return f"Error al procesar el documento: {str(e)}"
# Interfaz Gradio
iface = gr.Interface(
fn=process_document,
inputs=[
gr.File(label="Seleccione el archivo DOCX"),
gr.Radio(["Encabezados", "Páginas"], label="Método de división"),
gr.Number(value=1, label="Número de encabezados/páginas por fragmento", minimum=1),
gr.Radio(["Separados", "ZIP"], label="Tipo de descarga")
],
outputs=gr.File(label="Descargar archivo(s)"),
title="Divisor de Documentos DOCX",
description="Divida documentos DOCX por encabezados o páginas estimadas y descárguelos como archivos separados o en un archivo ZIP."
)
if __name__ == "__main__":
iface.launch()