Files
templates/tools/pdf-scan-to-vector/engine.py
T
Andrey afdf62cfa4 Добавить проверку Flash SCI, системные диалоги и векторизацию PDF
Расширить протокол SCI проверкой содержимого Flash и комплектом RAM-ядер.
Добавить утилиту векторизации PDF с OCR, общие диалоги DSView и проверки.
2026-11-18 16:03:53 +03:00

231 lines
39 KiB
Python
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
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.