Расширить протокол SCI проверкой содержимого Flash и комплектом RAM-ядер. Добавить утилиту векторизации PDF с OCR, общие диалоги DSView и проверки.
231 lines
39 KiB
Python
231 lines
39 KiB
Python
from dataclasses import dataclass # Описываем неизменяемые параметры обработки, передаваемые отдельному процессу.
|
||
from pathlib import Path # Работаем с Unicode-путями Windows без ручного экранирования разделителей.
|
||
import math # Ограничиваем число пикселей страницы перед выделением оперативной памяти.
|
||
import os # Атомарно заменяем готовый файл после успешного завершения всех страниц.
|
||
import re # Проверяем пользовательские диапазоны страниц целиком, исключая неоднозначный ввод.
|
||
import sys # Находим ресурсы как при запуске исходников, так и внутри автономного EXE.
|
||
import tempfile # Создаём промежуточный файл рядом с назначением для атомарного переноса.
|
||
import traceback # Сохраняем подробности ошибки рабочего процесса в журнале интерфейса.
|
||
import cv2 # Выделяем чёрные области скана и аппроксимируем их геометрические контуры.
|
||
import numpy as np # Представляем пиксели MuPDF массивом без промежуточных файлов изображений.
|
||
import pymupdf as fitz # Читаем PDF, распознаём текст встроенным Tesseract и записываем векторные страницы.
|
||
|
||
|
||
@dataclass(frozen=True) # Запрещаем случайное изменение настроек после начала обработки.
|
||
class Options: # Группируем настройки одной операции преобразования документа.
|
||
dpi: int = 300 # Используем 300 точек на дюйм как исходное разрешение для печатного текста.
|
||
mode: str = "vector_ocr" # По умолчанию одновременно получаем контуры и доступный для поиска текст.
|
||
language: str = "rus+eng" # Подключаем русскую и английскую модели, включённые в поставку.
|
||
threshold: int = 0 # Ноль означает автоматический порог Оцу, остальные значения задают уровень серого.
|
||
noise: float = 2.0 # Отбрасываем внешние компоненты площадью менее двух квадратных пикселей при 300 DPI.
|
||
simplify: float = 0.45 # Допускаем отклонение контура до 0,45 пикселя при базовых 300 DPI.
|
||
pages: str = "" # Пустая строка означает обработку всех страниц исходного PDF.
|
||
rotate: int = 0 # Поворот в градусах по часовой стрелке помогает обработать сканы боком.
|
||
recognition: str = "enhanced" # Выравнивание фона и удаление длинных линий помогают OCR читать схемы; исходный профиль доступен отдельно.
|
||
|
||
|
||
class Cancelled(Exception): # Отличаем пользовательскую отмену от ошибок чтения и распознавания.
|
||
pass # Дополнительные поля не нужны: интерфейсу достаточно типа исключения.
|
||
|
||
|
||
def asset_path(relative): # Определяем абсолютный путь к ресурсу без зависимости от текущей папки.
|
||
return Path(getattr(sys, "_MEIPASS", Path(__file__).resolve().parent)) / "assets" / relative # PyInstaller распаковывает вложенные данные в собственный каталог.
|
||
|
||
|
||
def parse_pages(value, total): # Преобразуем запись вида «1-3, 5» в упорядоченные индексы PDF с нуля.
|
||
if not value.strip(): # Отсутствие диапазона трактуем как выбор всего документа.
|
||
return list(range(total)) # Сохраняем исходный порядок страниц.
|
||
selected = set() # Удаляем повторяющиеся номера, чтобы страница не попала в результат дважды.
|
||
for part in value.split(","): # Запятая разделяет одиночные страницы и включительные диапазоны.
|
||
match = re.fullmatch(r"\s*(\d+)\s*(?:-\s*(\d+)\s*)?", part) # Разрешаем только положительные номера и обычный дефис.
|
||
if not match: # Не допускаем частичного распознавания ошибочного пользовательского ввода.
|
||
raise ValueError("Страницы задаются так: 1-3, 5, 8-10.") # Возвращаем понятный пример корректного диапазона.
|
||
first, last = int(match[1]), int(match[2] or match[1]) # Одиночный номер становится диапазоном из одной страницы.
|
||
if not 1 <= first <= last <= total: # Проверяем границы документа и запрещаем обратные диапазоны.
|
||
raise ValueError(f"Диапазон должен находиться между 1 и {total}.") # Сообщаем фактическое число доступных страниц.
|
||
selected.update(range(first - 1, last)) # Переводим включительные номера пользователя в индексы Python.
|
||
return sorted(selected) # Сохраняем порядок оригинала независимо от порядка ввода диапазонов.
|
||
|
||
|
||
def check_cancel(cancel): # Проверяем отмену на границах этапов, не повреждая готовые пользовательские файлы.
|
||
if cancel is not None and cancel.is_set(): # Событие безопасно передаётся между процессом интерфейса и обработчиком.
|
||
raise Cancelled("Обработка отменена. Выходной файл не изменён.") # Прерываем операцию до публикации результата.
|
||
|
||
|
||
def rasterize(page, options): # Получаем изображение страницы с учётом поворота и ограничения памяти.
|
||
rect = page.rect # Используем видимую область страницы с её исходной ориентацией.
|
||
scale = options.dpi / 72 # В PDF один пункт равен 1/72 дюйма, поэтому масштаб переводит пункты в пиксели.
|
||
pixels = rect.width * rect.height * scale * scale # Оцениваем площадь изображения до его создания.
|
||
if pixels > 45_000_000: # Предел в 45 миллионов пикселей ограничивает память для больших чертежей.
|
||
scale *= math.sqrt(45_000_000 / pixels) # Снижаем обе стороны пропорционально, сохраняя геометрию листа.
|
||
pix = page.get_pixmap(matrix=fitz.Matrix(scale, scale).prerotate(options.rotate), colorspace=fitz.csRGB, alpha=False) # Белый фон и RGB совместимы со встроенным OCR.
|
||
pix.set_dpi(round(scale * 72), round(scale * 72)) # Передаём Tesseract реальное разрешение после ограничения размера.
|
||
return pix, scale # Возвращаем масштаб для пересчёта порогов шума и упрощения.
|
||
|
||
|
||
def binary_mask(pix, options): # Получаем общую маску чернил для трассировки и удаления заменяемых букв.
|
||
rgb = np.frombuffer(pix.samples, dtype=np.uint8).reshape(pix.height, pix.width, 3) # Представляем непрозрачные RGB-данные как трёхканальное изображение.
|
||
gray = cv2.cvtColor(rgb, cv2.COLOR_RGB2GRAY) # Переводим цветной скан в яркость для чёрно-белой трассировки.
|
||
method = cv2.THRESH_BINARY_INV | (cv2.THRESH_OTSU if options.threshold == 0 else 0) # Инвертируем бинарную маску, чтобы чернила стали объектами OpenCV.
|
||
_, mask = cv2.threshold(gray, options.threshold, 255, method) # Значение 255 обозначает полностью выбранный пиксель восьмибитной маски.
|
||
return mask # Возвращаем самостоятельный массив, не меняя исходные пиксели документа.
|
||
|
||
|
||
def trace_svg(pix, options, scale, cancel=None, mask=None): # Восстанавливаем контуры из скана либо готовой маски без заменённых букв.
|
||
mask = binary_mask(pix, options) if mask is None else mask # Готовая маска исключает повторную бинаризацию и повторное появление удалённых букв.
|
||
contours, hierarchy = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # Дерево сохраняет вложенность отверстий и островков внутри контуров.
|
||
factor = scale * 72 / 300 # Пересчитываем настройки, заданные для 300 DPI, к фактическому разрешению страницы.
|
||
minimum = options.noise * factor * factor # Площадь шума меняется пропорционально квадрату масштаба.
|
||
epsilon = options.simplify * factor # Допуск геометрического упрощения меняется линейно вместе с разрешением.
|
||
paths, count = [], 0 # Накапливаем замкнутые подконтуры и число сохранённых элементов.
|
||
retained = [] # Запоминаем решение по каждому родителю, чтобы удалённый шум не оставлял дочерних отверстий.
|
||
for index, contour in enumerate(contours): # Порядок RETR_TREE располагает родителя раньше его потомков.
|
||
if index % 256 == 0: # Проверяем отмену каждые 256 контуров, не перегружая межпроцессное событие.
|
||
check_cancel(cancel) # Прерываем также долгую трассировку очень подробных сканов.
|
||
parent = int(hierarchy[0][index][3]) # Четвёртое поле OpenCV хранит индекс родительского контура.
|
||
keep = (parent < 0 and cv2.contourArea(contour) >= minimum) or (parent >= 0 and retained[parent]) # Фильтруем только внешнюю пыль, сохраняя внутреннюю геометрию букв.
|
||
retained.append(keep) # Даём потомкам возможность наследовать решение о сохранении компонента.
|
||
if not keep: # Пропускаем удалённые шумовые компоненты вместе с их потомками.
|
||
continue # Переходим к следующему найденному контуру.
|
||
points = cv2.approxPolyDP(contour, epsilon, True).reshape(-1, 2) # Упрощаем замкнутый контур с заданной погрешностью в пикселях.
|
||
if len(points) < 3: # Нулевая площадь не образует заполненный полигон SVG.
|
||
continue # Исключаем вырожденные линии из набора заполненных областей.
|
||
coordinates = " L ".join(f"{int(x)} {int(y)}" for x, y in points) # Записываем координаты каждого угла в системе пикселей скана.
|
||
paths.append(f"M {coordinates} Z") # Явно замыкаем каждый подконтур для корректного заполнения.
|
||
count += 1 # Учитываем сохранённую геометрию в статистике результата.
|
||
width, height = pix.width * 72 / pix.xres, pix.height * 72 / pix.yres # Возвращаем физические размеры листа в пунктах PDF.
|
||
body = " ".join(paths) # Объединяем контуры в один составной путь, чтобы правило чётности сохраняло отверстия.
|
||
svg = f'<svg xmlns="http://www.w3.org/2000/svg" width="{width}pt" height="{height}pt" viewBox="0 0 {pix.width} {pix.height}"><path fill="black" fill-rule="evenodd" d="{body}"/></svg>' # Чётное заполнение поддерживает вложенные белые области независимо от направления обхода.
|
||
return (svg.encode("utf-8") if paths else b""), count # Не передаём пустую SVG-страницу в MuPDF, поскольку чистый лист не содержит команд рисования.
|
||
|
||
|
||
def native_text_spans(page): # Извлекаем готовые надписи чертежа, чтобы повторное OCR не искажало мелкий технический шрифт.
|
||
if page.get_image_info(): # Наличие нарисованных изображений требует OCR: готовые подписи могут описывать лишь часть скана.
|
||
return [] # Сохраняем прежнее распознавание растровых и смешанных страниц.
|
||
blocks = page.get_text("dict", flags=fitz.TEXTFLAGS_DICT & ~fitz.TEXT_PRESERVE_IMAGES)["blocks"] # Читаем координаты текста без копирования изображений в оперативную память.
|
||
spans = [(line["dir"], span) for block in blocks if block["type"] == 0 for line in block["lines"] for span in line["spans"] if span["text"].strip()] # Сохраняем направление строки вместе с исходной базовой точкой и размером шрифта.
|
||
if any("\ufffd" in span["text"] or any(0xE000 <= ord(char) <= 0xF8FF for char in span["text"]) for _, span in spans): # Не принимаем неизвестные символы и частные коды шрифтов за достоверный Unicode.
|
||
return [] # Для повреждённой таблицы символов используем распознавание видимых букв.
|
||
legacy_fonts = {span["font"] for _, span in spans if span["font"].lower().startswith("gost") and re.search(r"[\u00c0-\u00ff]{3,}", span["text"])} # Старые экспортеры GOST записывают байты Windows-1251 как Latin-1; три последовательные буквы служат признаком этой ошибки.
|
||
for _, span in spans: # Исправляем кодировку лишь отмеченного технического шрифта, сохраняя другие языки и обозначения.
|
||
if span["font"] in legacy_fonts: # Правильный Unicode и обычные латинские шрифты не требуют перекодировки.
|
||
span["text"] = "".join(bytes([ord(char)]).decode("cp1251") if 0xC0 <= ord(char) <= 0xFF or ord(char) in {0xA8, 0xB8} else char for char in span["text"]) # Восстанавливаем русские буквы и Ё/ё из байтов Windows-1251; ASCII, номера и символы оставляем неизменными.
|
||
return spans # Возвращаем самостоятельные словари, не меняя исходный PDF и его встроенный шрифт.
|
||
|
||
|
||
def write_native_text(target, source, spans, options, cancel=None, visible=False): # Переносим Unicode с координатами и поворотами в видимый либо поисковый слой.
|
||
rotation = fitz.Matrix(options.rotate) # В координатах страницы положительный угол даёт пользовательский поворот по часовой стрелке.
|
||
bounds = source.rect * rotation # После поворота область может начинаться с отрицательных координат, которые нужно перенести к нулю.
|
||
transform = source.rotation_matrix * rotation * fitz.Matrix(1, 0, 0, 1, -bounds.x0, -bounds.y0) * fitz.Matrix(target.rect.width / bounds.width, target.rect.height / bounds.height) # Учитываем исходный /Rotate, дополнительный поворот и округление физических размеров растра.
|
||
font = fitz.Font("cjk") # Встроенный Droid Sans Fallback содержит кириллицу и не зависит от установленных шрифтов Windows.
|
||
target.insert_font(fontname="SearchText", fontbuffer=font.buffer) # Единственный ресурс шрифта предотвращает повторный разбор одной таблицы Unicode для каждой надписи в PDF-просмотрщиках.
|
||
for index, (direction, span) in enumerate(spans): # Переносим целые надписи, сохраняя непрерывные слова для поиска Acrobat.
|
||
if index % 64 == 0: # Проверка каждые 64 надписи ограничивает задержку отмены на больших чертежах.
|
||
check_cancel(cancel) # Отмена не должна публиковать неполный текстовый слой.
|
||
origin = fitz.Point(span["origin"]) * transform # Пересчитываем исходную базовую точку в координаты результата.
|
||
endpoint = fitz.Point(span["origin"][0] + direction[0], span["origin"][1] + direction[1]) * transform # Преобразуем единичный вектор строки той же матрицей, что и её начало.
|
||
dx, dy = endpoint.x - origin.x, endpoint.y - origin.y # Вычитаем перенос матрицы, получая только направление и масштаб строки.
|
||
length = math.hypot(dx, dy) # Масштаб определяет размер шрифта после изменения физических размеров страницы.
|
||
dx, dy = dx / length, dy / length # Нормируем направление для произвольного наклона и прямоугольных поворотов.
|
||
size = span["size"] * length # Сохраняем высоту исходных букв в пунктах PDF, равных 1/72 дюйма.
|
||
box = fitz.Rect(span["bbox"]) # Исходный прямоугольник задаёт длину надписи в её основном направлении.
|
||
width = (abs(direction[0]) * box.width + abs(direction[1]) * box.height) * length # Проецируем прямоугольник на направление строки и масштабируем его длину.
|
||
stretch = width / max(font.text_length(span["text"], fontsize=size), 0.01) # Подгоняем ширину заменяющего шрифта под надпись; 0,01 пункта защищает от деления на ноль.
|
||
target.insert_text(origin, span["text"], fontname="SearchText", fontsize=size, color=0, render_mode=0 if visible else 3, morph=(origin, fitz.Matrix(stretch * dx, -stretch * dy, dy, dx, 0, 0))) # Режим PDF 0 рисует чёрные буквы, режим 3 оставляет поисковый слой; матрица сохраняет направление и ширину.
|
||
|
||
|
||
def convert(source, destination, options, notify=None, cancel=None, password=""): # Выполняем полную обработку и публикуем PDF только после успешного завершения.
|
||
from text_ocr import recognition_pixmap, text_vector_page # Загружаем обработку видимого текста после инициализации общих функций движка.
|
||
notify = notify or (lambda message: None) # Позволяем вызывать движок без графического интерфейса.
|
||
if options.mode not in {"vector_ocr", "vector_text", "vector", "ocr"}: # Разрешаем новый режим видимого текста и прежние варианты результата.
|
||
raise ValueError("Неизвестный режим обработки.") # Возвращаем явную ошибку вместо неожиданного типа результата.
|
||
if not 100 <= options.dpi <= 600 or options.rotate not in {0, 90, 180, 270}: # Ограничиваем разрешение и разрешаем только прямоугольные повороты.
|
||
raise ValueError("Разрешение: 100–600 DPI; поворот: 0, 90, 180 или 270°.") # Сообщаем допустимые физические параметры.
|
||
if not 0 <= options.threshold <= 254 or options.noise < 0 or options.simplify < 0: # Проверяем числовые параметры бинаризации и аппроксимации.
|
||
raise ValueError("Недопустимые параметры векторизации.") # Исключаем некорректные значения до вызова OpenCV.
|
||
if options.language not in {"rus+eng", "rus", "eng"}: # Используем только языковые модели из автономной поставки.
|
||
raise ValueError("Доступны русский и английский языки.") # Объясняем ограничения выбора модели распознавания.
|
||
if options.recognition not in {"enhanced", "original"}: # Проверяем профиль до обработки изображений и запуска языковых моделей.
|
||
raise ValueError("Неизвестный профиль распознавания.") # Не подменяем ошибочный профиль незаметным изменением алгоритма.
|
||
source, destination = Path(source).resolve(), Path(destination).resolve() # Нормализуем пути перед сравнением и созданием временного файла.
|
||
if source == destination: # Защищаем исходный скан от перезаписи даже при прямом вызове движка.
|
||
raise ValueError("Выберите имя результата, отличающееся от исходного PDF.") # Предлагаем безопасный путь сохранения.
|
||
check_cancel(cancel) # Отмена до открытия документа не должна создавать даже временный результат.
|
||
text_pages, stats = [], [] # Собираем текст и статистику в порядке выбранных страниц.
|
||
temporary = None # Запоминаем путь промежуточного PDF для обязательной уборки при ошибке.
|
||
try: # Гарантируем очистку временного файла при любых ошибках записи и распознавания.
|
||
with fitz.open(source) as original, fitz.open() as result: # Держим документы внутри одного процесса, поскольку MuPDF не поддерживает параллельные потоки.
|
||
if original.needs_pass and not original.authenticate(password): # Проверяем пароль до доступа к защищённым страницам.
|
||
raise ValueError("PDF защищён паролем. Укажите пароль при открытии файла.") # Подсказываем, как получить доступ к содержимому.
|
||
selected = parse_pages(options.pages, len(original)) # Проверяем диапазон по реальному числу страниц документа.
|
||
if not selected: # Пустой PDF нельзя сохранить как документ с результатами.
|
||
raise ValueError("В документе нет страниц.") # Обрабатываем редкий повреждённый или пустой входной файл.
|
||
for position, number in enumerate(selected): # Последовательно ограничиваем память одной растровой страницей.
|
||
check_cancel(cancel) # Разрешаем отменить операцию между страницами.
|
||
notify({"kind": "progress", "value": position * 100 // len(selected), "message": f"Страница {number + 1}: чтение скана"}) # Обновляем ход обработки с учётом выбранного диапазона.
|
||
pix, scale = rasterize(original[number], options) # Учитываем физические размеры, разрешение и пользовательский поворот.
|
||
if options.mode == "vector_text": # Замена букв требует удаления текстовой геометрии до трассировки.
|
||
notify({"kind": "log", "message": f"Страница {number + 1}: векторизация графики и замена букв текстом"}) # Объясняем текущий этап нового режима.
|
||
native = native_text_spans(original[number]) if not any(span["type"] == 3 for span in original[number].get_texttrace()) else [] # Невидимый OCR предыдущей векторизации не заменяет видимые контурные буквы: такую страницу снова распознаём и отделяем слова от графики.
|
||
text, contours, replacements = text_vector_page(result, original[number], pix, scale, native, options, notify, cancel) # Формируем страницу с видимым шрифтом и векторной графикой.
|
||
text_pages.append(text) # Сохраняем тот же Unicode, который доступен в итоговом PDF.
|
||
stats.append({"source_page": number + 1, "contours": contours, "characters": len(text), "dpi": pix.xres, "text_replacements": replacements}) # Отчёт связывает охват замены с исходным номером листа.
|
||
notify({"kind": "progress", "value": (position + 1) * 100 // len(selected), "message": f"Страница {number + 1} готова · заменено текстом: {replacements}"}) # Используем штатный протокол прогресса для завершения страницы.
|
||
continue # Исключаем повторную трассировку букв и дублирование OCR-слоя.
|
||
svg, contours = b"", 0 # Инициализируем статистику для режима без трассировки.
|
||
if options.mode != "ocr": # В режиме сохранения оригинала геометрическая трассировка не требуется.
|
||
notify({"kind": "log", "message": f"Страница {number + 1}: векторизация {pix.width} × {pix.height} пикселей"}) # Показываем фактическую нагрузку и возможное ограничение разрешения.
|
||
svg, contours = trace_svg(pix, options, scale, cancel) # Получаем монохромные контуры с сохранёнными отверстиями.
|
||
check_cancel(cancel) # Не запускаем дорогой OCR, если пользователь уже нажал отмену.
|
||
native = native_text_spans(original[number]) if options.mode != "vector" else [] # Отдаём приоритет готовым надписям векторного чертежа перед повторным OCR.
|
||
if native: # Полностью векторная страница уже содержит более точный текст, чем результат распознавания её растра.
|
||
notify({"kind": "log", "message": f"Страница {number + 1}: перенос исходного текста с проверкой кодировки"}) # Объясняем в журнале, откуда получен поисковый слой.
|
||
target = result.new_page(width=pix.width * 72 / pix.xres, height=pix.height * 72 / pix.yres) # Создаём лист тех же размеров, что и трассированные контуры или сохранённый скан.
|
||
if options.mode == "ocr": # Режим сохранения внешнего вида требует исходного растрового представления страницы.
|
||
target.insert_image(target.rect, pixmap=pix) # Сохраняем изображение под невидимыми символами без повторного OCR.
|
||
write_native_text(target, original[number], native, options, cancel) # Сохраняем исправленный Unicode вместе с исходной геометрией надписей.
|
||
text_pages.append(target.get_text(sort=True)) # Интерфейс и TXT получают тот же текст, который доступен для поиска в итоговом PDF.
|
||
elif options.mode != "vector": # Распознаём растровые страницы только для двух режимов, которым нужен поисковый слой.
|
||
notify({"kind": "log", "message": f"Страница {number + 1}: распознавание {options.language}"}) # Сообщаем о начале этапа, длительность которого зависит от сложности текста.
|
||
prepared = recognition_pixmap(pix, options, cancel) # Подготавливаем копию согласно выбранному профилю, сохраняя исходный скан.
|
||
payload = prepared.pdfocr_tobytes(language=options.language, tessdata=str(asset_path("tessdata"))) # Встроенный Tesseract распознаёт подготовленное изображение локальными моделями.
|
||
with fitz.open("pdf", payload) as recognized: # Открываем временную страницу с исходным изображением и невидимыми символами OCR.
|
||
text_pages.append(recognized[0].get_text(sort=True)) # Сохраняем Unicode-текст до любых изменений графического слоя.
|
||
if options.mode == "vector_ocr" or prepared is not pix: # Удаляем также подготовленную копию в режиме скана, чтобы не изменять внешний вид исходника.
|
||
recognized[0].add_redact_annot(recognized[0].rect, fill=False, cross_out=False) # Помечаем всю страницу без добавления белого перекрывающего прямоугольника.
|
||
recognized[0].apply_redactions(images=fitz.PDF_REDACT_IMAGE_REMOVE, graphics=fitz.PDF_REDACT_LINE_ART_NONE, text=fitz.PDF_REDACT_TEXT_NONE) # Удаляем только растровое изображение и сохраняем шрифт, координаты и Unicode OCR.
|
||
if options.mode == "ocr" and prepared is not pix: # Результат OCR со сканом должен показывать исходное цветное изображение.
|
||
recognized[0].insert_image(recognized[0].rect, pixmap=pix, overlay=False) # Возвращаем исходные пиксели под поисковый текст без смещения координат.
|
||
result.insert_pdf(recognized) # Переносим страницу вместе с ресурсами распознанного шрифта.
|
||
else: # Режим только векторизации создаёт страницу без невидимых символов.
|
||
result.new_page(width=pix.width * 72 / pix.xres, height=pix.height * 72 / pix.yres) # Сохраняем физический размер обработанного листа после поворота.
|
||
text_pages.append("") # Поддерживаем соответствие номера страницы и элемента списка текста.
|
||
if svg: # Добавляем контуры в оба векторных режима после переноса текстового слоя.
|
||
with fitz.open("svg", svg) as drawing: # MuPDF преобразует геометрию SVG в настоящие команды рисования PDF.
|
||
with fitz.open("pdf", drawing.convert_to_pdf()) as vector: # Получаем промежуточный документ, содержащий только векторную графику.
|
||
result[-1].show_pdf_page(result[-1].rect, vector, 0, overlay=False) # Размещаем контуры под невидимым слоем OCR на весь лист.
|
||
stats.append({"source_page": number + 1, "contours": contours, "characters": len(text_pages[-1]), "dpi": pix.xres}) # Отчёт связывает результат с исходным номером листа.
|
||
notify({"kind": "progress", "value": (position + 1) * 100 // len(selected), "message": f"Страница {number + 1} готова · контуров: {contours}"}) # Подтверждаем успешное завершение текущей страницы.
|
||
check_cancel(cancel) # Отмена после последнего OCR также должна оставить назначение нетронутым.
|
||
result.set_metadata({"title": source.stem, "creator": "PDF Scan to Vector", "subject": "Векторизация и локальное распознавание текста"}) # Записываем нейтральные метаданные без подписей ассистента.
|
||
result.subset_fonts() # Оставляем в PDF только использованные символы встроенных шрифтов.
|
||
handle, temporary = tempfile.mkstemp(prefix=".pdf-vector-", suffix=".pdf", dir=destination.parent) # Временный файл на том же диске позволяет выполнить атомарную замену.
|
||
os.close(handle) # Закрываем системный дескриптор, чтобы MuPDF мог открыть файл для записи в Windows.
|
||
result.save(temporary, garbage=4, deflate=True) # Удаляем неиспользуемый растр и сжимаем содержимое итогового PDF.
|
||
check_cancel(cancel) # Последний контроль отмены выполняем перед изменением выходного файла.
|
||
os.replace(temporary, destination) # Публикуем только целиком записанный результат, сохраняя прежний файл при сбое.
|
||
return {"path": str(destination), "pages": stats, "text": text_pages} # Возвращаем интерфейсу реальные пути, номера страниц и распознанный текст.
|
||
finally: # Завершаем уборку независимо от успешности конвертации.
|
||
if temporary and Path(temporary).exists(): # После успешного переноса временного пути уже не существует.
|
||
Path(temporary).unlink(missing_ok=True) # Удаляем остаток незавершённой записи, не затрагивая исходный PDF.
|
||
|
||
|
||
def worker(source, destination, options, queue, cancel, password=""): # Отдельная точка входа процесса предотвращает блокировку GUI и одновременный доступ MuPDF.
|
||
try: # Передаём ошибки межпроцессными сообщениями вместо аварийного закрытия окна.
|
||
report = convert(source, destination, options, queue.put, cancel, password) # Выполняем обработку с уведомлениями и общей кнопкой отмены.
|
||
queue.put({"kind": "done", "report": report}) # Отправляем подтверждение только после сохранения готового PDF.
|
||
except Cancelled as error: # Пользовательская отмена отображается отдельным нейтральным состоянием.
|
||
queue.put({"kind": "cancelled", "message": str(error)}) # Позволяем интерфейсу вернуть управление без окна ошибки.
|
||
except Exception as error: # Изолируем ошибки повреждённых PDF, моделей OCR и файловой системы.
|
||
queue.put({"kind": "error", "message": str(error), "detail": traceback.format_exc()}) # Краткое объяснение показываем пользователю, полный стек оставляем в журнале.
|